Moderne Personalplanung

Thomas Spengler
Olga Metzger
Tobias Volkmer
Moderne
Personalplanung
Modelle, Methoden und Fallbeispiele
Moderne Personalplanung
Thomas Spengler · Olga Metzger ·
Tobias Volkmer
Moderne Personalplanung
Modelle, Methoden und Fallbeispiele
Thomas Spengler Olga Metzger
Otto-von-Guericke-Universität Magdeburg Otto-von-Guericke-Universität Magdeburg
Magdeburg, Deutschland Magdeburg, Deutschland
Tobias Volkmer
Otto-von-Guericke-Universität Magdeburg
Magdeburg, Deutschland
ISBN 978-3-658-25934-1 ISBN 978-3-658-25935-8 (eBook)

https://doi.org/10.1007/978-3-658-25935-8
Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detail-
lierte bibliografische Daten sind im Internet über http://dnb.d-nb.de abrufbar.
Springer Gabler
© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2019
Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Jede Verwertung, die nicht
ausdrücklich vom Urheberrechtsgesetz zugelassen ist, bedarf der vorherigen Zustimmung des Verlags.
Das gilt insbesondere für Vervielfältigungen, Bearbeitungen, Übersetzungen, Mikroverfilmungen und die
Einspeicherung und Verarbeitung in elektronischen Systemen.
Die Wiedergabe von allgemein beschreibenden Bezeichnungen, Marken, Unternehmensnamen etc. in diesem
Werk bedeutet nicht, dass diese frei durch jedermann benutzt werden dürfen. Die Berechtigung zur Benutzung
unterliegt, auch ohne gesonderten Hinweis hierzu, den Regeln des Markenrechts. Die Rechte des jeweiligen
Zeicheninhabers sind zu beachten.
Der Verlag, die Autoren und die Herausgeber gehen davon aus, dass die Angaben und Informationen in
diesem Werk zum Zeitpunkt der Veröffentlichung vollständig und korrekt sind. Weder der Verlag, noch
die Autoren oder die Herausgeber übernehmen, ausdrücklich oder implizit, Gewähr für den Inhalt des
Werkes, etwaige Fehler oder Äußerungen. Der Verlag bleibt im Hinblick auf geografische Zuordnungen und
Gebietsbezeichnungen in veröffentlichten Karten und Institutionsadressen neutral.
Springer Gabler ist ein Imprint der eingetragenen Gesellschaft Springer Fachmedien Wiesbaden GmbH und ist
ein Teil von Springer Nature
Die Anschrift der Gesellschaft ist: Abraham-Lincoln-Str. 46, 65189 Wiesbaden, Germany
Vorwort
In einer zunehmend digitalisierten und globalisierten sowie verstärkt auf Nachhaltigkeit
achtenden Welt sind nicht zuletzt vor dem Hintergrund demografischen Wandels moderne
Ansätze, Methoden und Verfahren der Personalplanung erforderlich, um die ökonomische
Performanz des Unternehmens zumindest nicht zu gefährden oder möglichst noch zu ver-
bessern bzw. zu optimieren. Wir wollen im vorliegenden Buch solche Modelle präsentieren,
erläutern und diskutieren. Dabei verstehen wir (in Anlehnung an Türk 1978) unter Personal
eine Sozialkategorie, zu der solche Arbeitskräfte einer produktiven und organisierten Orga-
nisation zählen, die mit dieser einen Arbeitsvertrag geschlossen haben und in diese nur par-
tiell (und nicht etwa total) inkludiert sind. Freelancer und Subunternehmer fallen damit für
uns nicht unter den Personalbegriff. Zudem konzentrieren wir uns auf sog. kollektive Perso-
nalplanungen, bei denen nicht konkrete Arbeitskräfte und deren individuelle Karrierewege
im Fokus stehen, sondern Kategorien von Arbeitskräften und letztlich auch Kategorien von
Tätigkeiten, Jobs oder Stellen.
Das vorliegende Buch ist ein Lehrbuch. Seine Ursprünge reichen weit zurück, nämlich in
Hugo Kossbiels Personalplanungsvorlesungen an den Universitäten in Hamburg und Frank-
furt a.M. Seit rund 20 Jahren bieten wir in Magdeburg entsprechende Vorlesungen und
Übungen an, die wir im Laufe der Zeit inhaltlich, methodisch und didaktisch variiert und
erweitert haben. Des Weiteren ist hierbei ein bunter Strauß an Übungsaufgaben entstanden,
von denen wir einige im vorliegenden Buch präsentieren können. Das Buch legt als Lehrbuch
viel Wert auf exemplarische Erläuterungen, so dass in vielen Teilen Anwendungsbeispiele,
Übungsaufgaben und Zusatzfragen integriert werden, deren Lösungsskizzen man am Ende
des Buches findet. Das Buch richtet sich an Bachelor- und Masterstudierende, die Interesse
am Fach haben, gleich ob sie Einsteiger oder Fortgeschrittene sind. Es richtet sich aber auch
an interessierte Praktiker, die sich im Bereich der Personalplanung weiterbilden wollen.
Wir schulden vielen Menschen Dank, ohne die das Buch nicht hätte entstehen können. Dazu
möchten wir uns zunächst einmal bei Prof. Dr. Hugo Kossbiel bedanken, der direkt oder
indirekt an unserer Ausbildung beteiligt war und immer zu Diskussionen bereitstand. Wir
danken auch den Studierenden, die uns in unzähligen Vorlesungen und Seminaren mit kri-
tischen Fragen und Anmerkungen geholfen haben. Dank gebührt auch den vielen Koopera-
tionspartnern in unseren Praxisprojekten und darunter - last but not least - Dr. Frank Kieper.
Für redaktionelle Unterstützung danken wir Herrn Sebastian Herzog, M.Sc., Frau Jennefer
Steglitz, B.A. sowie Frau Stefanie Salinger, B.Sc.
Zudem wollen wir darauf hinweisen, dass aus Gründen der leichteren Lesbarkeit in der vor-
liegenden Arbeit bei personenbezogenen Substantiven und Pronomen überwiegend die
männliche Sprachform verwendet wird. Dies impliziert jedoch keine Benachteiligung des
weiblichen Geschlechts, sondern soll im Sinne der sprachlichen Vereinfachung als ge-
schlechtsneutral zu verstehen sein.
VI Vorwort
Sollten Sie Anmerkungen oder Fragen zu unserem Buch haben, kontaktieren Sie uns bitte
unter bwl-uo@ovgu.de.
Wir wünschen Ihnen viel Spaß bei der Lektüre!
Magdeburg, im März 2019
Thomas Spengler Olga Metzger Tobias Volkmer

Inhaltsverzeichnis
Abkürzungsverzeichnis ................................................................................................................. XI
Teil 1 Einführung und Grundlagen ............................................................................................. 1
1 Einleitung ......................................................................................................................... 3
1.1 Worum es geht oder: Zwei Beispiele zum Anfang ..................................................... 3
1.2 Keine Angst vor Formalem und ein bisschen Mathe: Zur Bedeutung formaler
Modelle ............................................................................................................................. 6
1.2.1 Betriebswirtschaftliches Denken als Denken in Modellen ......................................... 6
1.2.2 Messen, Modellieren und Entscheiden ......................................................................... 8
1.2.3 Modelle der mathematischen Optimierung ............................................................... 11
1.2.4 Übungsaufgaben ............................................................................................................ 16
1.3 Aufbau des Buches ........................................................................................................ 17
2 Grundlagen der Personalplanung ............................................................................... 19

2.1 Grundbegriffe................................................................................................................. 19
2.1.1 Personalwirtschaftliche Hauptproblembereiche und Betrachtungsebenen........... 19
2.1.2 Personalbedarf, Personalausstattung und Personaleinsatz ..................................... 19
2.1.3 Personalplanungsbegriffe ............................................................................................. 21
2.2 Grundsysteme ................................................................................................................ 23
2.2.1 Die Funktion der Personalplanung und Koordinationsansätze .............................. 23
2.2.1.1 Vorbemerkungen ........................................................................................................... 23
2.2.1.2 Der explizite Ansatz der Personalplanung ................................................................ 23
2.2.1.3 Der implizite Ansatz der Personalplanung ................................................................ 26
2.2.2 Zielsysteme der Personalplanung ............................................................................... 28
2.3 Zur Notwendigkeit von Personalplanungen ............................................................. 30
2.4 Übungsaufgaben ............................................................................................................ 32
Teil 2 Generelle Anwendungsfelder der Personalplanung .................................................. 35
3 Überblick......................................................................................................................... 37
4 Kurz-, mittel- und langfristige Personalplanungen .................................................. 39

4.1 Darstellung ..................................................................................................................... 39
4.2 Übungsaufgabe .............................................................................................................. 39
5 Diagnose-, Prognose-, Dezisions- und Simulationsmodelle der

Personalplanung ............................................................................................................ 41
5.1 Darstellung ..................................................................................................................... 41
5.2 Übungsaufgaben ............................................................................................................ 45
VIII Inhaltsverzeichnis
6 Ein- und Mehrzielmodelle der Personalplanung ...................................................... 47

6.1 Darstellung ..................................................................................................................... 47
6.2 Übungsaufgaben ............................................................................................................ 54
7 Heuristische und optimierende Ansätze der Personalplanung .............................. 57

7.1 Darstellung ..................................................................................................................... 57
7.2 Übungsaufgaben ............................................................................................................ 63
8 Starre und flexible Personalplanungsansätze ............................................................ 65

8.1 Darstellung ..................................................................................................................... 65
8.2 Übungsaufgaben ............................................................................................................ 70
9 Strategische, taktische und operative Personalplanungen ....................................... 77

9.1 Darstellung ..................................................................................................................... 77
9.2 Übungsaufgaben ............................................................................................................ 87
10 Deterministische, stochastische und unscharfe Ansätze der Personalplanung .... 91

10.1 Vorbemerkungen und Überblick ................................................................................. 91
10.1.1 Darstellung ..................................................................................................................... 91
10.1.2 Übungsaufgaben ............................................................................................................ 94
10.2 Planungsmodelle ........................................................................................................... 95
10.2.1 Stochastische Planungsmodelle ................................................................................... 95
10.2.1.1 Darstellung ..................................................................................................................... 95
10.2.1.2 Übungsaufgaben .......................................................................................................... 100
10.2.2 Unscharfe Planungsmodelle ...................................................................................... 101
10.2.2.1 Darstellung ................................................................................................................... 101
10.2.2.2 Übungsaufgaben .......................................................................................................... 117
11 Ermittlungsmodelle der Personalplanung ............................................................... 119

11.1 Überblick....................................................................................................................... 119
11.2 Modelle zur rechnerischen Ermittlung des Personalbedarfs ................................. 121
11.3 Modelle zur rechnerischen Ermittlung der Personalausstattung.......................... 125
11.4 Ermittlung des Personaleinsatzes .............................................................................. 131
11.5 Übungsaufgaben .......................................................................................................... 132
12 Isolierte, integrierte, sukzessive und simultane Entscheidungsmodelle der

Personalplanung .......................................................................................................... 139
12.1 Überblick....................................................................................................................... 139
12.2 Reine Personaleinsatzplanung ................................................................................... 140
12.2.1 Grundmodell ................................................................................................................ 140
12.2.2 Dienstplanung .............................................................................................................. 141
12.2.2.1 Dienstplanung im deterministischen Fall................................................................. 141
12.2.2.2 Dienstplanung bei Unschärfe ..................................................................................... 147
12.2.3 Übungsaufgaben .......................................................................................................... 151
Inhaltsverzeichnis IX
12.3 Reine Personalbereitstellungsplanung ..................................................................... 159

12.3.1 Grundmodell ................................................................................................................ 159
12.3.2 Beispiel .......................................................................................................................... 162
12.3.3 Reine Personalbereitstellungsplanung bei terminologischer und relationaler
Unschärfe ...................................................................................................................... 164
12.3.4 Übungsaufgaben .......................................................................................................... 179
12.4 Reine Personalverwendungsplanung ....................................................................... 185
12.4.1 Grundmodell ................................................................................................................ 185
12.4.2 Übungsaufgaben .......................................................................................................... 186
12.5 Simultane Personalplanung ....................................................................................... 192
12.5.1 Überblick....................................................................................................................... 192
12.5.2 Simultane Personal- und Produktionsplanung ....................................................... 193
12.5.2.1 Darstellung ................................................................................................................... 193
12.5.2.2 Übungsaufgabe ............................................................................................................ 196
12.5.3 Simultane Personal- und Investitionsplanung......................................................... 198
12.5.3.1 Darstellung ................................................................................................................... 198
12.5.3.2 Übungsaufgabe ............................................................................................................ 201
12.5.4 Simultane Personal- und Organisationsplanung .................................................... 203
12.5.4.1 Darstellung ................................................................................................................... 203
12.5.4.2 Übungsaufgabe ............................................................................................................ 206
Teil 3 Spezielle Anwendungsfelder der Personalplanung ................................................. 209
13 Nachhaltige Personalplanung .................................................................................... 211

13.1 Überblick....................................................................................................................... 211
13.2 Auswirkungen von Nachhaltigkeitsüberlegungen auf die betriebliche
13.3 Ein Modell zur nachhaltigen Personalplanung ....................................................... 217
14 Internationale Personalplanung ................................................................................ 223

14.1 Überblick....................................................................................................................... 223
14.2 Die generelle Bedeutung von Sozialisation, Interaktion, Kommunikation und
Kultur für die internationale Personalplanung ....................................................... 224
14.3 Die spezielle Bedeutung von Internationalisierung für die Problembereiche der
betrieblichen Personalplanung .................................................................................. 225
14.4 Personalbesetzungsprobleme im Kontext internationaler Personalplanungen .. 227
14.4.1 Grundlegende Stellenbesetzungsstrategien ............................................................. 227
14.4.2 Entsendungsproblematik von Stammhausdelegierten........................................... 228
14.5 Ein Modell zur internationalen Personalplanung ................................................... 230
15 Demografiesensitive Personalplanung ..................................................................... 239

15.1 Überblick....................................................................................................................... 239
15.2 Auswirkungen demografischer Entwicklungen auf die betriebliche
X Inhaltsverzeichnis
15.3 Ein Modell zur demografiesensitiven Personalplanung ........................................ 243
16 Personalplanung in Zeiten der Digitalisierung ....................................................... 247

16.1 Überblick....................................................................................................................... 247
16.2 Auswirkungen der Digitalisierung auf die betriebliche Personalplanung .......... 249
16.3 Ein Modell zur simultanen Investitions- und Personalplanung in Zeiten der
Digitalisierung ............................................................................................................. 251
Teil 4 Lösungen zu den Übungsaufgaben .............................................................................. 259
17 Lösungen zu Übungsaufgaben aus Teil 1 ................................................................ 261
18 Lösungen zu Übungsaufgaben aus Teil 2 ................................................................ 287
Literatur ........................................................................................................................................ 417
Verzeichnis der Internetquellen .................................................................................................. 426

XI
Abkürzungsverzeichnis
AE Arbeitseinheiten
AFZ Ausfallzeiten
AHP Analytical Hierarchy Process
AK Arbeitskraft
AP Arbeitsproduktivität
AÜG Arbeitnehmerüberlassungsgesetz
AZ Arbeitszeit
BMZ Bundesministerium für wirtschaftliche Zusammenarbeit und Entwicklung
CSR-RUG Corporate Social Responsibility-Richtlinie-Umsetzungsgesetz
DOF Degree Of Fulfillment
d. Verf. der/die Verfasser
DWDS Digitales Wörterbuch der Deutschen Sprache
EZ Erholungszuschlag
GE Geldeinheiten
Hrsg. Herausgeber
i.e.S. im engeren Sinne
FLP Fuzzy Lineare Programmierung
FPP First Period Principle
FULPAL Fuzzy Linear Programming based on Aspiration Levels
LP Leistungsprogramm
LPI Lineare Partielle Information
MA Mitarbeiter
MADM Multi Attribute Decision Making
MODM Multi Objective Decision Making

XII Abkürzungsverzeichnis
MOLPAL Multi Objective Linear Programming based on Aspiration Levels
MTM Methods-Time Measurement
NAZ Nebenarbeitszuschlag
NNB Nichtnegativitätsbedingung
NVZ Notwendige Verteilzeiten
P Periode
PA Personalausstattung
PB Personalbedarf
PE Personaleinsatz
REFA Organisation für Arbeitsgestaltung, Betriebsorganisation und Unternehmens-

entwicklung (ehemals: Reichsausschuss für Arbeitszeitermittlung)
SLP Stochastische Lineare Programmierung
TOPSIS Technique for Ordering Preferences by Similarity to Ideal Solution
u. E. unseres Erachtens
TVZ Tatsächliche Verteilzeiten
VOP Vektoroptimierungsproblem
Teil 1
Einführung und Grundlagen
1 Einleitung
1.1 Worum es geht oder: Zwei Beispiele zum

Anfang
Der vorliegende Beitrag bietet einen Überblick über moderne Verfahren, Ansätze und Mo-
delle der Personalplanung. Die Personalplanung ist ein personalwirtschaftliches Forschungs-
und Anwendungsfeld und damit ein integraler Bestandteil ihrer Mutterdisziplin, der Be-
triebswirtschaftslehre. Historisch gesehen entstammt sie der mikroökonomischen Theory of
the Firm und daraus vor allem der Produktionstheorie bzw. der Produktionsplanung. Dies
liegt insofern nahe, als es sich bei menschlicher Arbeitskraft nicht nur um einen Komplex
eigeninteressengeleiteter Individuen, sondern auch um einen wesentlichen Produktionsfak-
tor des Betriebes handelt.
Frühe hier einschlägige wissenschaftliche Arbeiten stammen u.a. von Dantzig (1954) und
Marx (1963). Auch wenn Ursprungsdatierungen müßig sind, kann man mit einiger Berechti-
gung Hugo Kossbiels unveröffentlichte Habilitationsschrift aus dem Jahre 1970 als zumin-
dest ein (wenn nicht gar das) die moderne Personalplanung begründende(s) Werk bezeich-
nen. Während es in der Betriebswirtschaft grundlegend um die Abstimmung von Faktorbe-
darfen, -ausstattungen und -einsätzen im Allgemeinen geht, ist die Koordination von Perso-
nalbedarfen, -ausstattungen und -einsätzen im Besonderen der zentrale Gegenstand der Per-
sonalplanung. In dieser Arbeit werden die grundlegenden Beziehungen zwischen diesen
drei Problembereichen behandelt. Da wir durchgängig den sog. dispositiven Planungsbegriff
verwenden, nach dem Planen immer zugleich auch Entscheiden bedeutet (das Ableiten und
Treffen von Entscheidungen ist der finale Akt jedweder Planung), sind Entscheidungsmo-
delle der Personalplanung hier von wesentlicher Bedeutung. Entscheiden wiederum ist ein
Akt der Alternativenwahl. Alternativen (das besagt das Wort) schließen sich immer gegen-
seitig aus. Bei Entscheidungen über Handlungen (also zwischen verschiedenen Handlungs-
möglichkeiten) spricht man auch von Handlungsalternativen, aus deren Kreis man die beste
oder zumindest eine zufriedenstellende (angemessene) herauszusuchen hat. Diese Alterna-
tivenwahl hängt von dem oder den gesetzten Ziel(en), den erwarteten Zielausprägungen
(Entscheidungsergebnissen) und von Daten ab. Letztgenannte bezeichnen solche Größen, die
der Entscheider nicht (zumindest nicht direkt) beeinflussen kann (sonst wären es Handlungs-
alternativen). Es ist unschwer zu erkennen, dass rationale Entscheidungen ohne die Berück-
sichtigung von Daten schlechterdings unmöglich und diese wiederum zu ermitteln sind. So-
mit zählen wir neben Entscheidungs- auch Ermittlungsmodelle zu den Personalplanungs-
modellen.
Um es nochmal auf den Punkt zu bringen: Da man ohne Daten nicht entscheiden kann, wer-
den mit Hilfe sog. Ermittlungsmodelle Daten ermittelt, die dann in Entscheidungsmodelle
einzubringen sind. Z.B. ermittelt man zunächst mit der Kossbielschen Grundgleichung zur
Personalbedarfsermittlung (s. vgl. Kap. 11.2) den betrieblichen Personalbedarf, um dann via
T. Spengler et al., Moderne Personalplanung,
https://doi.org/10.1007/978-3-658-25935-8_1
4 Einleitung
Entscheidungsmodell über die Bereitstellung des betrieblichen Personals rational zu ent-

scheiden. Rational sind Entscheidungen dann, wenn sie gut durchdacht und vernünftig sind
(vgl. Metzger/Spengler 2019). In der Ökonomie sind das solche, die dem ökonomischen (Ma-
ximal- oder Minimal-) Prinzip folgen, d.h. wenn bei gegebenem Input der Output maximiert
oder bei gegebenem Output der Input minimiert wird. Wie Input und Output bemessen sind
(z.B. in Geld-, Mengen- oder Zeiteinheiten), hängt von der jeweiligen Entscheidungssituation
ab. Von dieser hängt zudem ab, ob man eine gewinn- oder eine nutzenmaximale Entschei-
dung trifft.
Es geht uns im Kern auch immer um Betriebe und nicht um Volkswirtschaften. Wenn wir
also von Personalplanung, Personalbedarf etc. sprechen, meinen wir betriebliche Personal-
planungen, -bedarfe etc. und nicht volkswirtschaftliche, kommunale, branchenspezifische
o.ä.
Erlauben Sie uns bitte noch einen weiteren Hinweis: Die vorliegende Arbeit stellt ein wissen-
schaftliches Werk dar. Wir sind bemüht, vor allem Einsteiger für das Gebiet der Personalpla-
nung zu begeistern, können dabei aber nicht auf eine für wissenschaftliche Arbeiten übliche
Sprache verzichten. Falls Sie Einsteiger in den Bereich der BWL im Allgemeinen und der
Personalwirtschaft im Besonderen sind und Sie ein hier verwendetes Fremdwort einmal
nicht kennen, so schlagen Sie dieses bitte nach, z.B. im Duden, bei Wiktionary (www.wiktio-
nary.org) oder im Digitalen Wörterbuch der deutschen Sprache (www.dwds.de). Das Ver-
ständnis wissenschaftlicher Werke lebt aber nicht nur von der verwendeten Sprache, sondern
auch von der Konzentration beim Lesen. Diese können Sie freilich dadurch erhöhen, dass Sie
„mit Papier und Bleistift“ lesen, sich also entsprechende Notizen bei der Lektüre des Buches
(über vorgestellte Definitionen, Beispiele, Verfahren, Modelle etc.) machen.
Zum Zwecke eines möglichst einfach gehaltenen Einstiegs in die Materie wollen wir zwei
Beispiele formulieren:
Beispiel 1:
In der Werkstatt eines Betriebes fallen mit fräsen, drehen und bohren Tätigkeiten dreier Ar-
ten an. Die Werkstattleitung hat das Arbeitsaufkommen bereits analysiert und dabei festge-
stellt, dass für das Fräsen regelmäßig 20, für das Drehen regelmäßig 30 und für das Bohren
regelmäßig 25 Arbeitskräfte benötigt werden. In der Werkstatt werden Arbeitskräfte ver-
schiedener Arten beschäftigt, nämlich solche der Art 1, die nur fräsen, solche der Art 2, die
nur drehen und solche der Art 3, die nur bohren können, aber auch solche der Art 4, die
fräsen und drehen, solche der Art 5, die fräsen und bohren, solche der Art 6, die drehen und
bohren sowie solche der Art 7, die fräsen, drehen und bohren können. Die Art und Anzahl
der benötigten Arbeitskräfte bezeichnen wir als Personalbedarf (𝑃𝐵). Die Art und Anzahl der
verfügbaren Arbeitskräfte nennen wir hingegen Personalausstattung (𝑃𝐴), wobei die Bei-
spielswerkstatt über 24 Arbeitskräfte der Art 1, jeweils 10 Arbeitskräfte der Arten 2, 3 und 5
sowie 6, 8 Arbeitskräfte der Art 4 und 3 Arbeitskräfte der Art 7 verfügt. Diese Angaben über-
tragen wir nun in ein übersichtliches Tableau, das sog. Tableau der Bereitstellungs- und Ver-
wendungsmöglichkeiten, in dem wir mit × (bzw. -) symbolisieren, dass die betreffende Ar-
beitskräfteart zur Erledigung der betreffenden Tätigkeitsart (nicht) herangezogen werden
Worum es geht oder: Zwei Beispiele zum Anfang 5
kann. Zudem ergänzen wir dieses Tableau um eine Fußzeile, in der die Personalausstattun-
gen angegeben werden und um eine rechte Randspalte, in der wir die Personalbedarfe no-
tieren (Tabelle 1.1).
Tabelle 1.1 Tableau der Bereitstellungs- und Verwendungsmöglichkeiten, Personal-

bedarfe und Personalausstattungen
Arbeitskräfte
Art 1 Art 2 Art 3 Art 4 Art 5 Art 6 Art 7 𝑃𝐵
fräsen × - - × × - × 20
Tätig- drehen - × - × - × × 30
keiten
bohren - - × - × × × 25
𝑃𝐴 24 10 10 8 10 10 3
Wir wollen an dieser Stelle schon kurz ankündigen, dass solche Tableaus ein vielfach in der
Personalplanung verwendetes Instrument darstellen, das uns im gesamten Buch noch häufig
begegnen wird, um nun aber zur zentralen Frage dieses Beispiels zu kommen: Kann mit der
angegebenen Personalausstattung der Personalbedarf der Werkstatt gedeckt werden? Wir
empfehlen, dass Sie sich bereits jetzt einmal Gedanken über die Beantwortung dieser Frage
machen und kommen zu einem zweiten Beispiel. Die Lösung des ersten Beispiels stellen wir
unten (s. S. 25 ff.) vor.
Beispiel 2:
Der zweite Beispielbetrieb arbeitet wöchentlich an 7 Tagen. Montags werden im Schnitt 10,
dienstags 12, mittwochs 13, donnerstags 9, freitags 14, samstags 8 und sonntags 11 Arbeits-
kräfte benötigt. Es ist nur eine Tätigkeitsart zu erledigen und alle verfügbaren Arbeitskräfte
seien gleich qualifiziert und motiviert. Die täglichen Personalbedarfe dürfen zwar über- aber
nicht unterdeckt werden, man darf also mehr (aber nicht weniger) Arbeitskräfte einsetzen
als benötigt werden. Die wöchentliche Arbeitszeit beträgt je Arbeitskraft 5 Tage. Wenn eine
Arbeitskraft eingesetzt wird, dann immer 5 Tage am Stück (so dass sie dann immer zwei
Tage am Stück frei hat). Die Lage der Arbeits- und der freien Tage spielt keine Rolle. Das hier
gültige Personalbedarfstableau nimmt mit den obigen Angaben folgende Gestalt an (Tabelle
1.2):
6 Einleitung
Tabelle 1.2 Personalbedarfe in einer 7-Tage-Woche
Mo Di Mi Do Fr Sa So
𝑃𝐵 10 12 13 9 14 8 11
Eine betriebswirtschaftlich wichtige Frage in diesem Beispiel lautet: Wieviele Arbeitskräfte

sollten an den einzelnen Tagen derart eingesetzt werden, dass man möglichst wenige Ar-
beitskräfte bereitstellen muss? Auch die Lösung dieses Beispiels stellen wir unten vor (s. Kap.
12.2.2.1, S. 142 ff.), empfehlen jedoch, dass Sie sich jetzt schon einmal Gedanken über dessen
Lösung machen. Bitte denken Sie auch bei beiden Beispielen über die Bedeutung des ökono-
mischen Prinzips nach.
Wir werden unten zeigen, dass beide Beispiele (bewusst) sehr einfach gehalten sind. Die be-
triebliche Praxis stellt sich in aller Regel wesentlich komplexer und komplizierter dar, u.a.
dann, wenn Arbeitskräfte unterschiedlich motiviert und produktiv oder nicht immer anwe-
send sind und teilweise kündigen, bei Dienstplanungsproblemen Tätigkeiten und Arbeits-
kräfte heterogen oder mehrere Schichten zu besetzen sind, wenn Schulungen oder Verset-
zungen geplant werden müssen etc. Dies bedeutet, dass Personalplanungsprobleme sehr
schnell kompliziert und komplex werden, und zwar in einem Maße, dass man durch
(un)vollständiges Ausprobieren nicht mehr in befriedigender Weise zu guten oder gar opti-
malen Lösungen kommt. Deshalb werden wir uns im Folgenden mit systematischen und
wissenschaftlich bewährten Verfahren beschäftigen, die uns helfen, Praxisprobleme rational
anzugehen.
1.2 Keine Angst vor Formalem und ein bisschen

Mathe: Zur Bedeutung formaler Modelle
1.2.1 Betriebswirtschaftliches Denken als Denken in

Modellen
Betriebswirtschaftliches Denken ist immer ein Denken in Zielen, Mängeln, Bedingungen,
Maßnahmen (Alternativen), Wirkungen (Effekten) und Input-Output-Verhältnissen (vgl.
z.B. Mag 1988). Das haben wir bereits eingangs festgestellt. Betriebswirtschaftliches Denken
ist aber auch ein Denken in Modellen, in welchen Wirklichkeit (deutlicher: subjektiv wahr-
genommene reale Phänomene) lediglich selektiv eingefangen und reduziert dargestellt wird,
z.B. um Strukturen zu (er-) finden oder um rationales Handeln zu unterstützen bzw. zu er-
möglichen (vgl. z.B. Backes-Gellner 1996, S. 307 und Kossbiel/Spengler 1997, S. 52 ff.). Nur
durch die Verwendung von Modellen, die von vereinzelten (singulären), speziellen und vom
Kern ablenkenden Details abstrahieren, sind wir in der Lage, uns vor Informations- und Reiz-
überflutung zu schützen, Entscheidungen zu treffen und zu handeln.
Keine Angst vor Formalem und ein bisschen Mathe: Zur Bedeutung formaler Modelle 7
Besondere Wichtigkeit haben hierbei die sog. mentalen (also die aus Gedanken, Überlegun-
gen, Anschauungen bestehenden und im Geist befindlichen) Modelle, da diese den Aus-
gangspunkt jeglichen Modellierens darstellen. Sie sind gegenüber der Wirklichkeit in ihrer
Umfänglichkeit (Komplexität) reduziert und insofern immer unvollständig. Man formuliert
sie beispielsweise, wenn man die Idee eines Vorhabens, einen sehr groben Plan oder die
Skizze einer Problemlösung entwirft.
Mentale Modelle – die im Übrigen auch als implizite Modelle bezeichnet werden – können
in sog. expliziten Modellen münden, während Letztere deren Existenz voraussetzen. Bei ex-
pliziten Modellen werden die Vorstellungen über die vorhandenen (sich auf der Ebene des
rein Gedanklichen befindlichen) mentalen Modelle vom Modellierer systematisch in eine be-
stimmte Form gebracht, sei es in natürlich- oder formalsprachlicher (z.B. mathematischer)
Beschreibung oder durch handwerkliche Akte (z.B. in der Bildhauerei). Stellen wir uns bei-
spielsweise vor, das Management eines Unternehmens beklage einen im Vergleich zum Vor-
jahr rückläufigen Gewinn und dränge auf Abhilfe. Dazu überlegt es (in Form eines impliziten
Modells), dass die betriebliche Personalwirtschaft einen maßgeblichen Anteil an der Prob-
lemsituation hat, und zwar, weil man die falsche personalwirtschaftliche Strategie gewählt
habe. In den Überlegungen des Managements passt entweder die geschaffene Personalstruk-
tur nicht zur bereits vorab gewählten Personalstrategie (Grundsatz: Structure follows Stra-
tegy) oder die gewählte Personalstrategie passt nicht zur bereits vorhandenen Personalstruk-
tur (Grundsatz: Strategy follows Structure). Nach Maßgabe des gültigen impliziten Modells
kann man diese dann in ein explizites Modell überführen, indem man ein geeignetes Modell
der Personalbereitstellungs- (s. Kap. 12.3) oder der Personalverwendungsplanung (s. Kap.
12.4) überführt. Im ersten Fall sucht man die optimale Personalstruktur bei gegebener Perso-
nal(bereitstellungs)strategie und im zweiten geht man von einer gegebenen Personalstruktur
aus, für die man die optimale Personal(verwendungs)strategie sucht.
Modelle werden in der Literatur vielfach als vereinfachte Abbildungen von Realitätsaus-
schnitten definiert (vgl. z.B. Bretzke 1980, S. 29 und Rieper 1992, S. 19 ff.). Darüber soll (wie-
derum) zum Ausdruck gebracht werden, dass man nie die Wirklichkeit in Gänze darstellen
bzw. wiedergeben kann, sondern eben lediglich Ausschnitte und dies auch nur in verein-
fachter Form. Einem solchen Modellbegriff begegnet man beispielsweise in der Architektur,
z.B. als Modell eines Hauses oder eines Platzes. Landkarten sind ebenfalls Modelle des ge-
nannten Typs. Auch Modelleisenbahnen gehören zu dieser Modellklasse. Man könnte die
Liste der Beispiele quasi unendlich fortsetzen. Wir wollen es jedoch bei den aufgeführten
Beispielen belassen und uns etwas kritischer mit diesem Modellbegriff auseinandersetzen,
bei dem offenbar die Abbildung der Wirklichkeit im Modell eine zentrale Rolle spielt und an
das Verhältnis zwischen Original und Modell die Anforderung der Strukturgleichheit (Iso-
morphie) oder zumindest der Strukturähnlichkeit (Homomorphie) gestellt wird. Abbil-
dungs- bzw. ähnlichkeitsbezogene Modelldefinitionen setzen also voraus, dass es eine Wirk-
lichkeit gibt, die man kennt und die in möglichst ähnlicher Form in das Modell gegossen
wird. Nun ist es aber nicht nur bei den mentalen Modellen so, dass der Mensch möglicher-
weise glaubt, die Realität zu kennen, darüber jedoch nie abschließende Gewissheit erlangt.
Daneben ist er nicht zu tatsächlich objektiven Urteilen fähig. Konsequent zu Ende gedacht
bedeutet dies, dass es auch keine objektiven Ähnlichkeitsmaßstäbe geben kann. Somit bleibt
8 Einleitung
der abbildungs- bzw. ähnlichkeitsbezogene Modellbegriff, so einsichtig er auf den ersten

Blick auch erscheinen mag, letztendlich inhaltsleer (vgl. z.B. Bretzke 1980, passim und
Zelewski 1999, S. 44 ff.).
Wenn Modelle somit keine (zum Original ähnlichen) Abbildungen darstellen, was sind sie
dann? Modelle sind menschliche Konstruktionen bzw. Definitionen von Phänomenen wie
z.B. Sachverhalten, Gegenständen oder Situationen. Sie sind Artefakte (durch menschliches
Können Geschaffenes), die nach Maßgabe des jeweils verfolgten Ziels unterschiedlich aus-
fallen können (sog. konstruktivistischer Modellbegriff). Man unterscheidet demnach u.a. Be-
schreibungs- und Erläuterungsmodelle, Ermittlungsmodelle, Erklärungsmodelle und Ent-
scheidungsmodelle sowie Prognosemodelle und Simulationsmodelle. Auf diese Modellarten
kommen wir unten zurück (s. Kap. 5). Auf Modelle, welcher Art auch immer, kann der han-
delnde Mensch nie verzichten, ohne Modelle wäre er schlechterdings handlungsunfähig.
1.2.2 Messen, Modellieren und Entscheiden

Die Möglichkeiten der Konstruktion und Anwendung von Modellen hängen maßgeblich da-
von ab, inwiefern es gelingt, die jeweiligen Modellkomponenten zu präzisieren und deren
Beziehungen zu konkretisieren. Es geht also darum, wie diese erfasst, d.h. wie sie gemessen
werden können. Die Theorie des Messens beschäftigt sich damit, wie man Objekten, die be-
züglich ihrer Eigenschaften in Relation zueinander stehen, Prädikate so zuordnen kann, dass
die Relation der Prädikate, den Relationen der Objekte bzw. ihrer Eigenschaften entsprechen.
Zur Verdeutlichung seien folgende Beispiele angeführt: Im Zuge von Personalbeurteilungen

werden die Mitarbeiter einer Firma hinsichtlich ihrer Leistungen vom Vorgesetzten benotet.
Alle Mitarbeiter (Objekte), deren Leistungen im Auge des Vorgesetzten im vergangenen
Halbjahr „befriedigend“ waren (Eigenschaft), erhalten die Note 3 (Prädikat), alle Mitarbeiter
mit sehr guten Leistungen erhalten die Note 1. Arbeitnehmer (Objekte), die ledig und nicht
alleinerziehend sind (Eigenschaften), werden in die Steuerklasse I (Prädikat) und verheira-
tete Alleinverdiener in die Steuerklasse III eingeordnet. Eine Lohnabrechnungssoftware (Ob-
jekt), die einfach und fehlerfrei zu bedienen ist (Eigenschaft), wird in die Klasse „hohe Usa-
bility“ (Prädikat), eine fehlerfreie Lohnabrechnungssoftware mit etwas komplizierterer Be-
dienung in die Klasse „gute Usability“ und eine kompliziert anzuwendende sowie mit grö-
beren Fehlern behaftete Software in die Klasse „ungenügende Usability“ eingeordnet.
Welcher Art die zugewiesenen Prädikate sind, hängt vom sog. Skalenniveau ab. Nominal (a)
und ordinal (b) skalierte Merkmale lassen sich z.B. durch Buchstaben, Zahlen oder Buchsta-
ben-Zahlen-Kombinationen unterscheiden (z.B. Autokennzeichen, Güteklassen). Bei Inter-
vallskalen (c), Verhältnisskalen (d) und absoluten Skalen (e) verwendet man Zahlenwerte
(z.B. Maße für Länge, Gewicht, Alter, Gewinn, Nutzen etc.). Die drei letztgenannten Skalen
bezeichnet man auch als metrische Skalen.
Zu (a): Bei den sog. Nominalskalen werden die betrachteten Objekte ohne jegliche Rangord-
nung in Klassen (oder genauer gesagt: in Äquivalenzklassen) eingeteilt, wie dies z.B. bei
Steuerklassen, Geschlechts- oder Religionszugehörigkeit der Fall ist. Zuordnungskriterium
ist somit nur die Gleichartigkeit (Fremdwort: Identität) bzw. Unterschiedlichkeit

(Fremdwort: Diversität) der Merkmale. Alle Objekte, die bezüglich des betrachteten Merk-
mals identisch sind, werden genau einer Klasse zugeordnet. Abstände und Größenverhält-
nisse nominalskalierter Merkmale lassen sich nicht sinnvoll interpretieren, denn wenn zwei
Objekte 𝑥 und 𝑦 identisch sind, muss lediglich gewährleistet sein, dass ihnen derselbe Ska-
lenwert 𝑤(𝑥) = 𝑤(𝑦) [lies: der Skalenwert von 𝑥 ist gleich dem Skalenwert von 𝑦] zugeordnet
wird [So beginnen z.B. die Kennzeichen aller in Magdeburg zugelassenen Autos mit MD, die
Kennzeichen aller in Hamburg zugelassenen hingegen mit HH.]. Diversen Merkmalen hin-
gegen sind unterschiedliche Skalenwerte 𝑤(𝑥) ≠ 𝑤(𝑦) zuzuordnen. Das Rechnen mit nomi-
nalskalierten Skalenwerten ist somit sinnlos. Dies kann an folgendem Beispiel schnell nach-
vollzogen werden: Wenn Maria der Steuerklasse 1 angehört [𝑤(Maria) = 1] und Hans die
Steuerklasse 3 hat [𝑤(Hans) = 3], dann können der Abstand [𝑤(Hans) − 𝑤(Maria) = 2] und
das Verhältnis [𝑤(Hans)/ 𝑤(Maria) = 3] der Skalenwerte ebenso wenig interpretiert werden,
wie deren Summe oder Produkt.
Zu (b): Ordinalskalen kennzeichnen neben der Identität bzw. Diversität auch die Rangfolge
der Merkmalsausprägungen. Typische Beispiele für ordinalskalierte Merkmale sind Schul-
noten, Güteklassen oder sog. Rankings bezüglich der Kreditwürdigkeit. Werden zwei Ob-
jekte 𝑥 und 𝑦 bezüglich eines Merkmals verglichen und ist dieses Merkmal bei Objekt 𝑥 stär-
ker ausgeprägt als bei Objekt 𝑦, dann muss für die Skalenwerte 𝑤(𝑥) und 𝑤(𝑦) die Beziehung
𝑤(𝑥) > 𝑤(𝑦) [lies: der Skalenwert von 𝑥 ist größer als der Skalenwert von 𝑦] gelten. Bei Or-
dinalskalen sind sog. streng monotone Transformationen (Umwandlungen oder Umformun-
gen) informationserhaltend. Jede Ordinalskala 𝑤 kann also in eine andere Ordinalskala 𝑤’
transformiert werden, sofern gewährleistet ist, dass die Rangfolge der Merkmalsausprägun-
gen erhalten bleibt, d.h. wenn vor der Transformation 𝑤(𝑥) > 𝑤(𝑦) [bzw. 𝑤(𝑥) = 𝑤(𝑦)] gilt,
muss nach der Transformation 𝑤’(𝑥) > 𝑤’(𝑦) [bzw. 𝑤’(𝑥) = 𝑤’(𝑦)] gelten. Werden z.B. drei
Unternehmen 𝑥, 𝑦 und 𝑧 von einer Bank hinsichtlich deren Kreditwürdigkeit beurteilt und
dabei die Kreditwürdigkeit von 𝑥 höher als die von 𝑦 und diese wiederum höher als die von
𝑧 eingeschätzt, so können beispielweise die Skalenwerte 𝑤(𝑥) = 3, 𝑤(𝑦) = 2 sowie 𝑤(𝑧) = 1
und mit demselben Informationsgehalt aber auch die Skalenwerte 𝑤’(𝑥) = 3, 𝑤’(𝑦) = 1,3 so-
wie 𝑤’(𝑧) = 0,15 vergeben werden. Unzulässig wäre es hingegen, die Skalenwerte 𝑤’’(𝑥) =
3, 𝑤’’(𝑦) = 1 sowie 𝑤’’(𝑧) = 2 zuzuordnen. Da auch bei den Ordinalskalen Abstände und
Größenverhältnisse zwischen den Skalenwerten nicht sinnvoll interpretiert werden können,
ist das Rechnen mit ihnen wiederum unzulässig.
Zu (c): Werden Merkmalsausprägungen auf Intervallskalenniveau gemessen, wie dies z.B.

bei der Temperaturmessung in Grad Celsius, der Kalenderzeitrechnung oder bei sog. kardi-
nalen Nutzenmaßen der Fall ist, so geben die entsprechenden Skalenwerte Auskunft bezüg-
lich der Identität bzw. Diversität, der Rangfolge und des Abstandes der gemessenen Sach-
verhalte. Intervallskalen sind bis auf den Skalennullpunkt und die Maßeinheit eindeutig fest-
gelegt, so dass zwar die Differenz zweier Skalenwerte (als Abstand) nicht aber die Größen-
verhältnisse von Skalenwerten sinnvoll interpretiert werden können. Beträgt z.B. in einer
Gießerei die Umgebungstemperatur an einem Ofen 𝑥 𝑤(𝑥) = 30 Grad Celsius, an einem Ofen
𝑦 𝑤(𝑦) = 40 Grad Celsius und an einem Ofen 𝑧 𝑤(𝑧) = 60 Grad Celsius, so kann man zwar
feststellen, dass sich die Umgebungstemperaturen zwischen Ofen 𝑧 und Ofen 𝑦 [𝑤(𝑧) −
10 Einleitung
𝑤(𝑦) = 20 Grad Celsius] stärker unterscheiden als zwischen Ofen 𝑦 und Ofen 𝑥 [𝑤(𝑦) −
𝑤(𝑥) = 10 Grad Celsius], man kann aber nicht folgern, dass es am Ofen 𝑧 doppelt so warm
ist wie am Ofen 𝑥. Denselben Informationsgehalt erzielt man im Übrigen bei Umrechnung
von Celsius- in Fahrenheitwerte, denn die entsprechende Transformationsvorschrift lautet
„𝑤′(𝑥) = 1,8 ∙ 𝑤(𝑥) + 32“ (vgl. Schmid 1988, S. 551) und führt im Beispiel zu den Umge-
bungstemperaturen 𝑤’(𝑥) = 86 Grad Fahrenheit, 𝑤(𝑦) = 104 Grad Fahrenheit sowie 𝑤(𝑧) =
140 Grad Fahrenheit. Intervallskalen sind bei sog. positiv linearen Transformationen infor-
mationserhaltend. Dies ist dann der Fall, wenn ein Skalenwert 𝑤(𝑥) in einen Skalenwert
𝑤’(𝑥) nach jeder beliebigen Vorschrift vom Typ „𝑤′(𝑥) = 𝑎 ∙ 𝑤(𝑥) + 𝑏, mit 𝑎 > 0 und 𝑏 belie-
big“ transformiert werden kann. Als arithmetische Operationen kommen die Subtraktion
von Skalenwerten sowie die Division von Skalenwertdifferenzen, nicht aber die Division von
Skalenwerten in Betracht. Dies bedeutet für das obige Beispiel, dass sowohl bei Temperatur-
angaben in Grad Celsius als auch bei Angaben in Grad Fahrenheit der gemessene Tempera-
turunterschied zwischen Ofen 𝑧 und Ofen 𝑦 doppelt so hoch ist wie derjenige zwischen Ofen
𝑦 und Ofen 𝑥.
Zu (d): Verhältnisskalen, die auch als Ratioskalen bezeichnet werden, besitzen einen natürli-
chen Nullpunkt und sind bis auf die Maßeinheit eindeutig bestimmt. Beispiele hierfür sind
die Körpergröße, das Gewicht oder das Einkommen. Ein noch nicht gezeugtes Lebewesen
hat die Körpergröße null und wiegt nichts, der Betrag nicht vorhandenen Einkommens liegt
ebenfalls eindeutig bei null. Ob man die Größe jedoch in Ellen oder Zentimetern und das
Einkommen in Euro- oder Dollarbeträgen misst, ist hingegen beliebig wählbar. Neben Iden-
tität bzw. Diversität, Rangfolge und Abstand informieren Verhältnisskalen also auch über
die Größenverhältnisse zwischen den Skalenwerten, d.h. der Quotient zweier Skalenwerte
𝑤(𝑥)/𝑤(𝑦) besagt, um wie viel das zu beurteilende Merkmal bei Objekt 𝑥 stärker ausgeprägt
ist als bei Objekt 𝑦. Zulässig sind somit lediglich sog. Ähnlichkeitstransformationen. Diese
liegen vor, wenn ein Skalenwert 𝑤(𝑥) in einen Skalenwert 𝑤’(𝑥) nach jeder beliebigen Vor-
schrift vom Typ „𝑤′(𝑥) = 𝑎 ∙ 𝑤(𝑥), mit 𝑎 > 0“ transformiert werden kann. Mit verhältnisska-
lierten Werten dürfen sämtliche arithmetischen Operationen durchgeführt werden.
Zu (e): Absolute Skalen sind eindeutig bestimmt, denn neben dem natürlichen Nullpunkt ist
auch die Maßeinheit eindeutig. Dies ist z.B. bei relativen (prozentualen) Häufigkeiten im
Zuge statistischer Untersuchungen und bei den Quotienten aus Ist- und Soll-Arbeitsproduk-
tivitäten (den sog. Leistungsfaktoren) der Fall.
Wir haben eingangs festgestellt, dass die Möglichkeiten der Konstruktion und Anwendung
von Modellen maßgeblich davon abhängen, inwiefern es gelingt, die jeweiligen Modellkom-
ponenten zu präzisieren und deren Beziehungen zu konkretisieren, mithin die Modellele-
mente und deren Relationen zu messen. Dies gilt für alle oben genannten Modelltypen, auch
und gerade für Entscheidungsmodelle. Die von uns favorisierte konstruktivistische Auffas-
sung von Entscheidungsmodellen bedeutet, dass diese nicht Rekonstruktionen realer, vorge-
gebener Strukturen, sondern (wie bereits betont) Konstruktionen darstellen. Bei diesen Kon-
struktionen ist darauf zu achten, dass Probleme, die man zunächst als relativ komplex und
unscharf wahrnimmt, entscheidbar gemacht werden. Mit Hilfe des Entscheidungsmodells
soll eine Problemlösung abgeleitet werden. Wie stringent und präzise dies gelingt, hängt
maßgeblich von den in Ansatz gebrachten Skalenniveaus ab. Die präziseste Sprache, über
die der Mensch verfügt, ist die Sprache der Mathematik. Wenn es uns gelingt, für das oder
die in einer Entscheidungssituation verfolgte(n) Ziel(e), für die obwaltenden Bedingungen
sowie für die aus den alternativen Maßnahmen folgenden Hauptwirkungen metrisch ska-
lierte Werte zu verwenden, dann dürfen wir mit diesen arithmetische Operationen durch-
führen und können die zu treffende Entscheidung präziser ableiten und begründen, als wenn
wir uns auf nicht-metrischem Skalenniveau bewegen. Die Bemühungen sollten somit in die
Richtung gehen, dass man die Modellkomponenten in möglichst hohen Anteilen auf metri-
schen Skalen bemisst. Dabei ist jedoch strikt darauf zu achten, nicht über das Ziel hinauszu-
schießen. Scheinpräzision ist zu vermeiden. Wenn gewisse Komponenten lediglich ordinal
skaliert dargestellt werden können, so sollte man dies akzeptieren und sich mit weniger prä-
zisen Aussagen und Ergebnissen zufriedengeben. Wenn man die alternativen Maßnahmen
in eine Rangfolge bezüglich ihrer Günstigkeit bringen kann, hat man schon viel gewonnen,
auch wenn man keine Kenntnis über Abstände und Größenverhältnisse der Zielgrößen er-
langt.
1.2.3 Modelle der mathematischen Optimierung

Entscheidungen – und dies sei hier nochmals wiederholt – sind immer Akte der Alterna-
tivenwahl. Als Betriebswirte sind wir immer bemüht, möglichst rationale Entscheidungen
zu treffen. Dazu greifen wir auf sog. Entscheidungsmodelle zurück. Im Sinne des konstruk-
tivistischen Modellbegriffs verstehen wir unter einem Entscheidungsmodell die strukturge-
bende, komplexitätsreduzierende Definition „[...] einer als Problem ‚empfundenen’ Hand-
lungssituation [...]“ (Bretzke 1980, S. 8), die auf einer angemessenen Sprachebene mit dem
Ziel formuliert ist, dass aus ihr die angestrebte Problemlösung abgeleitet werden kann. Zent-
ral an der hier vertretenen Begriffsauffassung ist zum einen, dass Entscheidungsmodelle in
dem Sinne zweckgerichtet gestaltet werden, als aus ihnen die Lösung des zugrundeliegen-
den Entscheidungsproblems hervorgehen soll und dass die Entscheidungsprobleme keine
Struktur an sich aufweisen, sondern dass diese erst vom Modellierer – je nachdem, auf wel-
che Theorien er zurückgreift – geschaffen werden. Zum anderen kommt es darauf an, dass
der Modellentwickler das Modell in der „richtigen“ Sprache codiert, wobei sich die Ange-
messenheit der Sprachebene danach richtet, ob die beabsichtigte Problemlösung aus dem
Modell abgeleitet werden kann. Ab einer gewissen Komplexitätsstufe ist man nicht mehr in
der Lage aus natürlich-sprachlichen Modellen rational begründbare Lösungen zu erzielen,
so dass man auf formal-sprachliche Formulierungen (z.B. mathematische Modelle) angewie-
sen ist.
Im Anschluss an diese begrifflichen Vorüberlegungen wollen wir nun skizzieren, wie der
Modellierungsprozess grundsätzlich abläuft (s. Abbildung 1.1):
Die als Problem empfundene Handlungssituation stellt das sog. Realproblem dar. Dieses ist
der Ausgangspunkt des Modellierungsprozesses und wird zunächst in die Form eines relativ
groben Modellkonzeptes gegossen. Dieses wiederum ist anschließend stärker zu strukturie-
ren, indem man angibt, welche Handlungsalternativen erwogen werden sollen, mit welchen
12 Einleitung
Umweltbedingungen zu rechnen ist, wie hoch die Eintrittswahrscheinlichkeiten sind, welche

Ergebnisse eintreten können und welche Gestalt das Zielsystem hinsichtlich Zielanzahl, -in-
halten und -beziehungen aufweist.
Abbildung 1.1 Modellierungsprozess
Realproblem
Modellkonzept
Strukturierung von Entscheidungsfeld und Zielsystem
Quantifizierung von Daten, Relationen,

Anspruchniveaus
Realmodell
Reduktion zu operablem Modell
Entscheidungsgenerator
Realisation Lösung akzeptabel?

ja nein
Quelle: in Anlehnung an Rommelfanger 1994, S. 3.
Danach können die entsprechenden Daten, Relationen und Anspruchsniveaus quantifiziert

bzw. konkretisiert werden. Es geht also um Klärung dessen, wie die benötigten Daten (z.B.
über Nachfragemengen, Maschinenkapazitäten, Zinssätze, Preise etc.) ausgeprägt sind, wel-

che genauen Beziehungen für die verschiedenen Modellelemente gelten und inwiefern Ober-
bzw. Untergrenzen (z.B. für Kostenbudgets oder Produktionsmengen) einzuhalten sind.
Diese Präzisierungen münden in einem sog. Realmodell, das in der Regel noch zu komplex
ist, um es einer Lösung zuzuführen. Dann muss es im nächsten Schritt weiter vereinfacht
werden, indem man beispielsweise die Anzahl der Planungsperioden oder der betrachteten
Planungsbereiche reduziert. Auf das operable (anwendbare bzw. lösbare) Modell kann so-
dann ein Entscheidungsgenerator (z.B. ein Berechnungsverfahren) angewendet werden. Hat
man die Entscheidung abgeleitet, so ist diese auf Akzeptanz hin zu überprüfen. Ist man mit
der Lösung zufrieden, so kann sie realisiert werden, wenn nicht, muss man erneut in einer
vorgelagerten Phase einsteigen und entsprechende Änderungen vornehmen.
Die Möglichkeiten zur Operationalisierung der Daten, Relationen und Anspruchsniveaus

sind eng geknüpft an die jeweils in Ansatz gebrachten Skalen. Wir haben bereits festgestellt,
dass die Mathematik die präziseste Sprache ist, die der Mensch zu sprechen in der Lage ist.
Von der Sprachpräzision hängt wiederum auch die Präzision der Problemlösung ab. Wenn
wir an möglichst präzisen Ergebnissen interessiert sind, so sollten wir vor allem auf die For-
mulierung und Anwendung (auf metrischen Skalen basierender) mathematischer Modelle
setzen. Es geht uns also (nicht zuletzt in der Personalplanung) bei der Verwendung mathe-
matischer Modelle nicht um l’art pour l’art, sondern um die Ableitung möglichst guter Ent-
scheidungen. Gut ist eine Entscheidung für den Betriebswirten immer dann, wenn sie dem
ökonomischen Prinzip genügt. Da dies ein Extremumprinzip ist, nach dessen Maßgabe
durch Inputminimierung oder Outputmaximierung unter jeweiligen Nebenbedingungen
der Gewinn oder der Nutzen maximiert werden soll, sind Entscheidungsmodelle für uns
zuvörderst Optimierungsmodelle. Sofern es gelingt, die jeweiligen Entscheidungssituatio-
nen linear zu modellieren, sind es lineare Optimierungsmodelle, die den Vorteil haben, dass
sie in fast unbegrenzter Größe und in sehr kurzer Zeit gelöst werden können.
Ein Optimierungsmodell ist dann linear, wenn eine lineare Zielfunktion unter linearen Rest-
riktionen maximiert oder minimiert werden soll. Bei linearen Zielfunktionen und Restriktio-
nen werden Entscheidungsvariable (also die Größen über deren Ausprägung entschieden
werden soll) nur mit sog. Skalaren und nicht mit sich selbst oder mit anderen Entscheidungs-
variablen multipliziert. Die jeweiligen Produkte aus Skalar und Entscheidungsvariable wer-
den anschließend addiert. Zudem werden nur stetige und nicht ganzzahlige Entscheidungs-
variable in Ansatz gebracht (sonst würde man ein grundsätzlich schwerer lösbares Modell
der sog. ganzzahligen oder gemischt-ganzzahligen Optimierung formulieren).
Unter Geltung folgender Symbole
𝐼̅ ≔ {𝑖|𝑖 = 1,2, … , 𝐼} Indizes zur Bezeichnung der Restriktionen
𝐽̅ ≔ {𝑗|𝑗 = 1,2, … , 𝐽} Indizes zur Bezeichnung der Entscheidungsvariablen
𝑐𝑗 ≔ Zielfunktionskoeffizient der Entscheidungsvariablen 𝑗 ∈ 𝐽 ̅
𝑎𝑖𝑗 ≔ Koeffizient der Entscheidungsvariablen 𝑗 ∈ 𝐽 ̅ in Restriktion 𝑖 ∈ 𝐼 ̅

14 Einleitung
𝐵𝑖 ≔ Beschränkungsgröße für die linke Seite der Restriktion 𝑖 ∈ 𝐼 ̅
𝑥𝑗 ≔ Entscheidungsvariable 𝑗 ∈ 𝐽 ̅
∈ ≔ Elementzeichen (lies: ist Element von)
∀ ≔ Allquantor (lies: für alle … gilt die Restriktion)
∑ ≔ Summenzeichen
lautet ein lineares Optimierungsmodell in der Grundstruktur wie folgt:
Zielfunktion:
𝑐 ∙ 𝑥 → max oder min! (Z. 1)

∈ ̅
[Lies: Maximiere oder Minimiere die Summe aller Produkte aus Zielfunktionskoeffizienten
und Entscheidungsvariablen!]
Nebenbedingungen:
𝑎 ∙𝑥 ≤𝐵 ∀ 𝑖 ∈ 𝐼̅ (R. 1)
∈ ̅
[Lies: Die Summe aller Produkte aus Koeffizienten 𝑎𝑖𝑗 und Variablen 𝑥𝑗 darf nicht größer
werden als 𝐵𝑖 . Dies gilt für alle Restriktionen 𝑖 ∈ 𝐼 .̅ Die Nebenbedingungen können selbst-
verständlich auch als ≥-Restriktionen oder =-Restriktionen formuliert werden.]
Nichtnegativitätsbedingungen:
𝑥𝑗 ≥ 0 ∀ 𝑗 ∈ 𝐽 ̅ (R. 2)
[Lies: Keine der Entscheidungsvariablen darf negativ werden, keine muss ganzzahlig sein.]
Die allgemeinen Ausführungen abschließend betrachten wir folgendes Beispiel:
Ein Landwirt muss eine Entscheidung darüber treffen, wie viele m2 Ackerfläche er für die
Kartoffel- (𝑗 = 1; Entscheidungsvariable 𝑥1 ) und wie viele er für die Maisproduktion (𝑗 = 2;
Entscheidungsvariable 𝑥2 ) anlegen soll. Insgesamt kann er auf nicht mehr als 100 m2 Kartof-
feln und/oder Mais produzieren. Aus Erfahrungen der vergangenen Jahre weiß der Land-
wirt, dass es aufgrund von Nachfragebeschränkungen nicht zweckmäßig ist, mehr als 60 m2
für Mais bzw. mehr als 80 m2 für Kartoffeln vorzusehen. Auch möchte er für die Beschaffung
des jeweiligen Saatgutes nicht mehr als 64.000 € ausgeben, wobei die Kosten für Maissaatgut
400 €/m2 und die Kosten für Kartoffelsaatgut 800 €/m2 betragen. Die Kartoffelernte ergibt ei-
nen Deckungsbeitrag in Höhe von 125 €/m2, während die Maisernte einen Deckungsbeitrag
in Höhe von 150 €/m2 ergibt. Das Entscheidungsmodell lautet dann wie folgt [Hinweis: Ver-
suchen Sie zunächst einmal selbst, das Modell aufzustellen oder lesen Sie erst die folgende
Modelldarstellung und versuchen Sie dann, diese nachzuvollziehen. In Abschnitt 1.2.4 kom-
men wir auf dieses Beispiel zurück.].
Zielfunktion:
125 ∙ 𝑥 + 150 ∙ 𝑥 → max!
Nebenbedingungen:
𝑥1 + 𝑥2 ≤ 100
𝑥1 ≤ 80
𝑥2 ≤ 60
800 ∙ 𝑥 + 400 ∙ 𝑥 ≤ 64.000
𝑥1 , 𝑥2 ≥ 0
Als Ergebnis entsprechender Modellrechnungen ergibt sich dann, dass im Optimum 40 m2

mit Kartoffeln und 60 m2 mit Mais bepflanzt werden. Der Gesamtdeckungsbeitrag beträgt
dann 14.000 €.
Vielen Menschen machen solche Modelle Angst, nämlich Angst sie nicht verstehen, anwen-
den oder lösen zu können. Bezüglich des Verstehens bitten wir Sie einfach um etwas Geduld.
Bitte werfen Sie die Flinte nicht einfach gleich ins Korn, sondern beschäftigen Sie sich ruhig
und konzentriert mit unseren Beispielen und Erläuterungen. Dann werden auch Sie solche
Modelle verstehen können. Dasselbe gilt für die Anwendungen: Wir formulieren für jeden
Modelltyp unten mindestens ein Beispiel. Die Beispiele sind bewusst einfach gehalten und
können gut nachvollzogen werden. In puncto Lösung brauchen wir uns für die in diesem
Buch formulierten Modelle keine Gedanken zu machen. Für jeden Modelltyp gibt es heutzu-
tage geeignete Standardsoftware. Last but not least wollen wir Sie darauf aufmerksam ma-
chen, dass sich die hier verwendete Mathematik im Kern auf die vier Grundrechenarten be-
schränkt.
Zu guter Letzt sei noch einem möglichen Missverständnis vorgebeugt: Ziele werden in line-
aren Optimierungsmodellen nicht nur in der Zielfunktion, sondern auch in den Restriktionen
in Ansatz gebracht. In der Zielfunktion modelliert man Extremierungs-, sprich Minimie-
rungs- oder Maximierungsziele. Im Restriktionenraum werden auch Ziele modelliert, näm-
lich sog. Fixierungsziele in Form von =-Restriktionen. Satisfizierungsziele sind solche, bei
denen eine bestimmte Grenze nicht über- (Kleiner-gleich-Restriktion) oder unterschritten
(Größer-gleich-Restriktion) werden darf. Bei Approximierungszielen hingegen wird eine un-
gefähre Einhaltung der Restriktionsgrenze verlangt (unscharfe Restriktionen).
Zudem wollen wir wiederholend darauf hinweisen, dass Entscheidungsvariablen (die man
vereinfachend auch als Variablen bezeichnet) und Daten wesentliche Bestandteile von Ent-
scheidungsmodellen darstellen. Entscheidungsvariablen sind diejenigen Modellparameter,
für die man durch die Modellanwendung Ausprägungen sucht, welche wiederum besagen,
16 Einleitung
wie man entscheiden sollte. Daten hingegen sind gegebene Größen, in dem Sinne, dass diese
der Entscheider nicht (zumindest nicht direkt) beeinflussen kann. Sie liegen also bei der Mo-
dellformulierung und -anwendung bereits vor, über sie wurde vorab schon entschieden. Da-
ten treten als Koeffizienten, Ober- oder Untergrenzen im Modell auf. Die Koeffizienten sind
Skalare, mit denen die Entscheidungsvariablen multipliziert werden, während die Ober- und
Untergrenzen die linken Restriktionsseiten nach oben oder unten beschränken. Entschei-
dungsvariablen treten sowohl in der Zielfunktion als auch in den Restriktionen auf, wobei
nicht alle in den Restriktionen vorkommenden Variablen auch Bestandteile der Zielfunktion,
jedoch alle in der Zielfunktion verwendeten Variablen hingegen im Restriktionenraum vor-
kommen müssen.
1.2.4 Übungsaufgaben
Aufgabe 1
Erläutern Sie, inwiefern der Mensch immer in Modellen denkt und was man unter im- und
was unter expliziten Modellen versteht!
Aufgabe 2
Erläutern Sie, was man unter Nominal-, Ordinal-, Intervall-, Ratio- und absoluten Skalen ver-
steht! Welche Bedeutung weisen diese beim Treffen von Entscheidungen auf?
Aufgabe 3
Was versteht man unter Entscheidungs- und was unter Optimierungsmodellen? Wie sind
lineare gegenüber nicht-linearen Optimierungsmodellen abgegrenzt?
Aufgabe 4
Betrachten Sie erneut das Beispiel zum Mais- und Kartoffelanbau auf S. 14 f.!
a. Definieren Sie die benötigten Mengen, Daten und Variablen für das gegebene Ent-
scheidungsproblem!
b. Formulieren Sie einen linearen Optimierungsansatz mit dem Ziel der Deckungsbei-
tragsmaximierung unter Verwendung der in a) gewählten Notation!
c. Prüfen Sie, ob bestimmte Nebenbedingungen redundant sind und begründen Sie ge-
gebenenfalls Ihre Antwort!
d. Was würde sich am Lösungsraum und an der Lösung ändern, falls
■ Mais und/oder Kartoffeln auf einer Fläche von insgesamt genau 100 m2 angebaut
werden sollten?
■ der Deckungsbeitrag für Kartoffeln 100 €/m2 anstatt 125 €/m2 betragen würde?
Aufbau des Buches 17
■ der Landwirt nur ganzzahlige Flächen zum Anbau verwenden könnte?
Aufgabe 5
Erläutern Sie, was man unter Entscheidungsvariablen und Daten in Entscheidungsmodellen

versteht und wo diese im Modell jeweils auftreten! Sind alle Variablen immer Bestandteil der
Zielfunktion?
1.3 Aufbau des Buches

Im Anschluss an diese kurze Einführung in den Gegenstand des Buches beschäftigen wir uns
mit Grundlagen der Personalplanung (s. Kap. 2). Im Zuge der Befassung mit Grundbegriffen
zeigen wir u.a., welche Probleme zentral in der Personalwirtschaft zu lösen sind und in wel-
chem Verhältnis diese zur Personalplanung stehen. Darüber hinaus verdeutlichen wir, dass
wir die sog. kollektive Personalplanung fokussieren. Des Weiteren kennzeichnen wir Perso-
nalbedarf, -ausstattung und -einsatz als die Problembereiche der Personalplanung.
Teil 2 ist generellen Anwendungsfeldern der Personalplanung gewidmet. In diesem Teil des
Buches stellen wir (teils skizzierend, teils ausführlicher) diverse Personalplanungsmodelle
vor. Als Differenzierungskriterien verwenden wir u.a. den Zeit- (s. Kap. 4) und den Zweck-
bezug (s. Kap. 5), den Zielraum (s. Kap. 6) und die Lösungsgüte (s. Kap. 7), aber auch die
Flexibilität der Planungsmethode (s. Kap. 8), Freiheitsgrade (s. Kap. 9) und die im Planungs-
prozess berücksichtigte Kontingenz (s. Kap. 10). Daneben beschäftigen wir uns mit Modellen
zur Ermittlung des Personalbedarfs, der Personalausstattung und des Personaleinsatzes (s.
Kap. 11). Quasi das „Herzstück“ dieses Kapitels sind die Entscheidungsmodelle, die wir je
nachdem differenzieren, ob der Personalbedarf oder die Personalausstattung (oder beide) als
Datum oder Entscheidungsvariable in den jeweiligen Modellansatz eingehen (s. Kap. 12).
In Teil 3 kommen wir auf spezielle Anwendungsfelder der Personalplanung zu sprechen.

Hierbei fokussieren wir Nachhaltigkeitsaspekte (s. Kap. 13), Internationalisierungstenden-
zen (s. Kap. 14), Effekte des demografischen Wandels (s. Kap. 15) sowie Digitalisierungsphä-
nomene (s. Kap. 16).
Zu den Inhalten aus Teil 1 und Teil 2 formulieren wir Übungsaufgaben. Die korrespondie-
renden Lösungsskizzen werden in Teil 4 präsentiert.
2 Grundlagen der Personalplanung
2.1 Grundbegriffe
2.1.1 Personalwirtschaftliche Hauptproblembereiche und

Betrachtungsebenen
Zunächst wollen wir uns in der gebotenen Kürze der Frage zuwenden, welche Hauptprob-
leme im Zuge personalwirtschaftlicher Fragestellungen zu lösen sind. Dies sind im Kern sol-
che der personalwirtschaftlichen Verfügbarkeits- (Disponibilitäts-) und der personalwirt-
schaftlichen Wirksamkeits- (Funktionalitäts-) Thematik. Bei ersteren geht es darum, dass hin-
reichend viele Arbeitskräfte mit der richtigen Qualität, zur richtigen Zeit und am richtigen
Ort zur Verfügung stehen. Dies ist - last but not least in der aktuellen Zeit eines ausgeprägten
demografischen Wandels mit korrespondierendem Fach- und Führungskräftemangel - nicht
immer selbstverständlich gewährleistet, so dass durch geeignete personalwirtschaftliche
Maßnahmen gegengesteuert werden muss (vgl. Kossbiel/Spengler 2015, S. 419). Bei Letzteren
ist zu sichern, dass die betrieblichen Ansprüche an das Personalverhalten um- bzw. durch-
gesetzt werden, sich das Personal mithin so verhält, wie es sich verhalten soll. Dazu wiede-
rum sind die Mitarbeiter u.a. geeignet zu motivieren und zu instruieren (vgl. ebd., S. 419 f.).
Bei der Formulierung und Lösung personalwirtschaftlicher Hauptprobleme kann man ent-
weder die Kategorial- oder die Individualebene betrachten. Die Kategorialebene betrifft nicht
einzelne Personen, sondern Personenmehrheiten, sprich Gruppen von Personen, die artmä-
ßig nach verschiedenen Kriterien (wie z.B. dem Alter, der Qualifikation, der Tätigkeit etc.)
differenziert werden können. Während die hierbei in Rede stehenden Arbeitskräfte mitunter
nur abstrakt betrachtet werden – z.B. wenn es um das Potenzial vom externen Markt einstell-
barer Arbeitskräfte geht – fokussiert man hingegen auf der Individualbene einzelne, konkret
identifizierbare Mitarbeiter.
2.1.2 Personalbedarf, Personalausstattung und

Personaleinsatz
Bevor wir uns präziser mit dem Begriff der Personalplanung beschäftigen, wollen wir uns
näher mit dem Personalbedarf (a), der Personalausstattung (b) und dem Personaleinsatz (c)
auseinandersetzen. Zwei dieser drei Begriffe sind uns bereits in Beispiel 1 begegnet, in wel-
chem drei Tätigkeitsarten zu erledigen sind. Diese münden hier in (tätigkeitsbezogenen) Per-
sonalbedarfen (s. die rechte Randspalte in Tabelle 1.1 aus Kap. 1.1). Der Begriff der Perso-
nalausstattung spielt im ersten Beispiel ebenfalls eine Rolle, denn wir haben Informationen
über bereits im Betrieb vorhandene und unterschiedlich qualifizierte Arbeitskräfte (s. die
Fußzeile in Tabelle 1.1 aus Kap. 1.1). Wenn wir über die Illustrationen im Beispiel hinausge-
hen, können wir die drei Begriffe wie folgt definieren:
https://doi.org/10.1007/978-3-658-25935-8_2
Zu (a): Unter dem Personalbedarf verstehen wir die Art und die Anzahl der in einem be-
stimmten Zeitraum und an einem bestimmten Ort benötigten Arbeitskräfte. Verwendet man
hier (wie in der Wissenschaft üblich) Begriffe fremdsprachlichen (hier lateinischen) Ur-
sprungs, so spricht man auch von der quantitativen, qualitativen, temporalen und der loka-
len Dimension des Personalbedarfs. In Bezug auf die quantitative Dimension geht es schlicht-
weg um die Anzahl der benötigten Arbeitskräfte. Hinsichtlich der qualitativen Dimension
kann man Personalbedarfe (artmäßig, also z.B.) nach Tätigkeitsarten, an welche Qualifikati-
onsanforderungen gekoppelt sind, differenzieren. Im einführenden Beispiel 1 (s. S. 4 f.) sind
das die Aktivitäten drehen, bohren und fräsen und die damit verbundenen Anforderungen
an erforderliche Fähigkeiten, wie z.B. die ordnungsgemäße Handhabung des Werkzeuges
und das Einspannen des Werkstückes etc. Es kommen aber auch Stellenarten für den Aus-
weis des Personalbedarfs in Betracht und somit Tätigkeitsbündel, die einzelnen Arbeitskräf-
ten zugeordnet werden. Im ersten Fall spricht man vom tätigkeits-, im zweiten vom stellen-
bezogenen Personalbedarf, wobei letzterer immer auf ersterem gründet. Mit der rechneri-
schen Ermittlung tätigkeitsbezogener Personalbedarfe beschäftigen wir uns in Abschnitt 11.2
und die Umrechnung tätigkeitsbezogener in stellenbezogene Personalbedarfe thematisieren
wir in Abschnitt 12.5.4. In temporaler (zeitlicher) Hinsicht kann man Personalbedarfe je nach
erforderlicher Genauigkeit u.a. nach Jahren, Quartalen, Monaten, Wochen, Tagen bis hin zu
Tagesabschnitten differenzieren. Die lokale Dimension des Personalbedarfs betrifft Orte be-
trieblicher Leistungserstellung und somit z.B. Teams, Abteilungen, Niederlassungen, Be-
triebe, Projekte, hierarchische Ränge oder Sektoren.
Zu (b): Mit Personalausstattung bezeichnen wir die Art und die Anzahl der in einem be-
stimmten Zeitraum und an einem bestimmten Ort verfügbaren Arbeitskräfte. Es geht also
hier nicht um das benötigte, sondern um das zur Verfügung stehende Personal. Diese Unter-
scheidung, auf die wir unten (s. Kap. 2.2.1.2 und 2.2.1.3) noch zu sprechen kommen, ist ähn-
lich zentral, wie der Unterschied zwischen Geld brauchen und Geld haben. Während bezüg-
lich der temporalen und der lokalen Dimension dieselben Differenzierungen in Betracht
kommen wie beim Personalbedarf und die quantitative Dimension die Anzahl verfügbarer
Arbeitskräfte betrifft, lassen sich Personalausstattungen qualitativ nach Arten potenziell o-
der faktisch vorhandener Qualifikationen (und nicht nach Qualifikationsanforderungen),
Anciennität (Dienstalter), Seniorität (Lebensalter), aber auch nach Geschlechtern, Namen u.a.
differenzieren.
Zu (c): Der Personaleinsatz stellt das Bindeglied zwischen Personalbedarf und -ausstattung
dar. Hier geht es um die Zuordnung verfügbarer Arbeitskräfte zu Allokationsobjekten, wo-
bei als Allokationsalternativen der Einsatz in Leistungsprozessen, also Tätigkeiten oder or-
ganisatorischen Einheiten (s. die lokale Dimension des Personalbedarfs), der Einsatz in Schu-
lungsprozessen (sog. Off the Job-Schulung) oder der Einsatz in Ausleihprozessen (nicht-
kommerzielle Arbeitnehmerüberlassung) in Betracht kommen. Des Weiteren gelten die Aus-
führungen zur lokalen, zur temporalen und zur qualitativen Dimension von Personalbedarf
und -ausstattung selbstverständlich auch hier.
Die obigen Ausführungen lassen sich sinnfällig in folgender Abbildung 2.1 zusammenfas-
sen:
Grundbegriffe 21
Abbildung 2.1 Dimensionen von Personalbedarf, -ausstattung und -einsatz
Personalbedarf Personalausstattung Personaleinsatz

Art und Anzahl der zu Art und Anzahl der zu Zuordnung verfügbarer
einer gewissen Zeit an einer gewissen Zeit an Arbeitskräfte zu Tätig-
einem gewissen Ort einem gewissen Ort ver- keiten und/oder organi-
benötigten Arbeitskräfte fügbaren Arbeitskräfte satorischen Einheiten in
einer gewissen Zeit
Dimensionen:
quantitative qualitative lokale temporale
- Anzahl - Tätigkeiten - Teams - Jahre

- Leistungsprozesse - … - …
- Schulungen - Abteilungen - Monate
- Ausleihen - Niederlassungen - Wochen
- Qualifikationen - Betriebe - Tage
- Senioritäten - Projekte - Tagesabschnitte
- Geschlechter - Ränge
- Namen - …
2.1.3 Personalplanungsbegriffe
Unter Rückgriff auf die Schweitzersche Definition des allgemeinen sowie auf die Kochsche
Definition des dispositiven Planungsbegriffs (vgl. Koch 1980 und Schweitzer 2001, S. 18) de-
finiert Kossbiel (1993, Sp. 3127) Personalplanung als einen „[…] geordneten, informations-
verarbeitenden Prozess, in dessen Verlauf die Ausprägungen von Personalvariablen voraus-
schauend so festgelegt werden, dass angestrebte betriebliche Ziele erreicht werden.“ Als sol-
che Personalvariablen kommen grundsätzlich alle potenziellen Gestaltungsalternativen im
Bereich personalwirtschaftlicher Verfügbarkeits- und Wirksamkeitsprobleme in Betracht,
und zwar sowohl auf der Kategorial- als auch auf der Individualebene. Darüber gelingt es
uns, den Personalplanungsbegriff noch stärker zu konturieren, indem wir (a) die Personal-
planung im weitesten von (b) der Personalplanung im engeren und von (c) der Personalpla-
nung im engsten Sinne unterscheiden.
Zu (a): Bei der Personalplanung im weitesten Sinne sind simultan Entscheidungen über Ge-
staltungsvariablen sowohl im Bereich personeller Disponibilitäts- als auch im Bereich perso-
neller Funktionalitätsprobleme zu treffen. Es geht dann beispielsweise darum, nicht nur die
Schulung und den Einsatz von Arbeitskräften zu planen, sondern auch über die Gewährung
von Leistungsanreizen und die Ausgestaltung von Systemen der Mitarbeiterbeurteilung zu
entscheiden (vgl. Spengler/Vieth 1994). Des Weiteren werden gleichzeitig sowohl die Indivi-
dual- als auch die Kategorialebene betrachtet, d.h. es werden betrieblicherseits konkret iden-
tifizierbare Personen und Kategorien von Arbeitskräften einerseits sowie aber auch einzelne
Tätigkeiten und Kategorien von Tätigkeiten andererseits bei der Planung berücksichtigt. Die-
ser sehr weitgefassten, in der Literatur eher selten anzutreffenden Begriffsauslegung folgen
z.B. Schoenfeld (1970, S.3), der mit der Personalplanung „[…] den gesamten personellen Sek-
tor eines Betriebes voll zu erfassen […]“ gedenkt, Marx (1963), der die Planung leistungsge-
rechter Lohnstrukturen der Personalplanung subsumiert, oder Ulrich/Staerkle (1965), die u.a.
Maßnahmen zur Beeinflussung des Arbeitsklimas als zur Personalplanung zugehörig dekla-
rieren.
Zu (b): Personalplanungen im engeren Sinne konzentrieren sich auf Instrumente zur Dispo-
sition über Personalpotenzial, nämlich auf Gestaltungsalternativen der Personalbereitstel-
lung oder -verwendung und beziehen somit die planerische Bewältigung von Maßnahmen
der Beeinflussung des Personalverhaltens nicht mit ein. Darüber hinaus bewegt man sich mit
dieser Art der Personalplanung auf der sog. Kategorial- und nicht etwa auf der Individual-
ebene, so dass diese folgerichtig auch als kollektive Personalplanung bezeichnet wird (vgl.
z.B. Fürst 1997, S. 6). Dies bedeutet, dass sich die Personalplanung im engeren Sinne mit Ka-
tegorien von Arbeitskräften einerseits sowie mit Kategorien von Aktivitäten andererseits
auseinanderzusetzen hat, wobei Arbeitskräftekategorien z.B. nach Qualifikationsarten oder
(Dienst-) Altersgruppen und Aktivitätskategorien z.B. nach Tätigkeitsarten oder Stellenty-
pen differenziert werden können. Diese Auffassung von Personalplanung im engeren Sinne
ist im wissenschaftlichen Schrifttum weit verbreitet (vgl. z.B. Kossbiel 1993, Sp. 3127, Koss-
biel/Spengler 2015, S. 432, Spengler 1993, S. 159 ff., Strutz 1976, S. 28 und Vieth 1999, S. 18 ff.)
und wird – sofern nicht ausdrücklich anderes betont wird – diesem Buch zugrunde liegen.
Zu (c): Als zur Personalplanung im engsten Sinne zugehörig wollen wir solche Personalpla-
nungen bezeichnen, bei denen die o.g. Personalvariablen (wiederum) aus dem Kranz der
Personalbereitstellungs- bzw. -verwendungsalternativen stammen. Im Gegensatz zu der un-
ter (b) beschriebenen Begriffsauffassung geht es hier nicht um Personenmehrheiten, sondern
man bewegt sich auf der Individualebene (synonym: Namensebene), so dass vor allem be-
triebliche Karrieren bereits verfügbarer Mitarbeiter geplant werden. Diese Spielart von Per-
sonalplanung wird deshalb auch als individuelle Personalplanung bezeichnet und vielfach
in Form der sog. Laufbahn- oder Karriereplanung betrachtet (vgl. Kossbiel/Spengler 1995,
Sp. 1739, Spengler 1996, S. 283 ff., Schneider 1980 und Laser 2017), wobei letztgenannte auf-
grund der mit ihr verbundenen vielfältigen und äußerst schwierig zu lösenden Abstim-
mungsprobleme als bis dato noch relativ unausgereift eingestuft werden kann. Quasi einen
Sonderfall der Personalplanung im engsten Sinne stellt das sog. Personnel Assignment Prob-
lem dar, bei dem einzelne Arbeitskräfte, einzelnen Tätigkeiten oder Stellen zugewiesen wer-
den und das wir in den Abschnitten 7 und 12.2 thematisieren.
Grundsysteme 23
2.2 Grundsysteme
2.2.1 Die Funktion der Personalplanung und

Koordinationsansätze
2.2.1.1 Vorbemerkungen
Die Funktion der Personalplanung liegt in der – auf die Erreichung der Unternehmensziele
gerichteten – Koordination ihrer Problembereiche (Personalbedarf-, -ausstattung und -ein-
satz), und zwar „[…] unter Beachtung der für den Personalsektor geltenden Restriktionen
und der zwischen dem Personalsektor und den übrigen Funktionsbereichen der Organisa-
tion bestehenden Interdependenzen“ (Kossbiel 1988, S. 1105). Zum Zwecke der erforderli-
chen Koordination stehen mit dem sog. expliziten und dem sog. impliziten Ansatz der Per-
sonalplanung zwei grundlegende Ansätze zur Verfügung, auf die wir sogleich eingehen wol-
len. Sie stellen Restriktionensysteme dar. Zu den in der Funktionsbeschreibung genannten
Restriktionen zählen aber auch Nebenbedingungen, nach denen z.B. nicht mehr Arbeits-
kräfte als am Markt verfügbar eingestellt werden können, dass Personalkostenbudgets ein-
gehalten oder personalpolitische Grundsätze befolgt werden sollen. Der Personalsektor ist
über den Personalbedarf mit den übrigen betrieblichen Funktionsbereichen interdependent:
Personalbedarf entsteht nur in diesen Funktionsbereichen (z.B. Beschaffung, Produktion und
Absatz) und ohne diese Bedarfe bzw. deren Deckung können die Funktionsbereiche nicht
aktiv werden.
2.2.1.2 Der explizite Ansatz der Personalplanung

Der sog. explizite Ansatz der Personalplanung, den wir unten nur noch kurz als expliziten
Ansatz bezeichnen, erfährt seine Benennung daher, dass in diesem der Personaleinsatz ex-
plizit berücksichtigt wird. Dadurch wird der Ansatz zweistufig: Im ersten Schritt ist der Per-
sonalbedarf mit dem Personaleinsatz und im zweiten ist der Personaleinsatz mit der Perso-
nalausstattung abzustimmen.
Zur Formulierung des Ansatzes verwenden wir folgende Symbole:
𝑄 ≔ {𝑞|𝑞 = 1,2, … , 𝑄} Menge der Personalbedarfskategorien (z.B. Tätigkeitsarten)
𝑅 ≔ {𝑟|𝑟 = 1,2, … , 𝑅} Menge der Arbeitskräftekategorien (z.B. Qualifikationsarten)
𝑅𝑞 ≔ Menge der Arbeitskräftekategorien 𝑟 ∈ 𝑅, die für Personalbedarfe der Art 𝑞 ∈ 𝑄

bereitgestellt werden können (sog. Bereitstellungsspektrum)
𝑄 ≔ Menge der Personalbedarfskategorien 𝑞 ∈ 𝑄, für die Arbeitskräfte der Art 𝑟 ∈ 𝑅

verwendet werden können (sog. Verwendungsspektrum)
PB𝑞 ≔ (Personal-) Bedarf an Arbeitskräften in der Bedarfsart 𝑞 ∈ 𝑄 (z.B. zur Erledigung von
Tätigkeiten der Art 𝑞 ∈ 𝑄)
𝑃𝐸𝑟𝑞 ≔ (Personal-) Einsatz von Arbeitskräften der Art 𝑟 ∈ 𝑅 zur Deckung von Personal-
bedarfen der Art 𝑞 ∈ 𝑄
𝑃𝐴 ≔ (Personal-) Ausstattung mit Arbeitskräften der Art 𝑟 ∈ 𝑅
∈ ≔ Elementzeichen [Lies: ist Element von]
∀ ≔ Allquantor [Lies: für alle … gilt die Restriktion]
Zur Vermeidung von Missverständnissen sei zudem darauf hingewiesen, dass wir uns hier
in der kollektiven Personalplanung (im engeren Sinne) befinden und somit 𝑟 Arbeitskräfte-
kategorien und nicht einzelne Arbeitskräfte (auf der Namensebene) sowie 𝑞 Personalbe-
darfskategorien – z.B. Tätigkeitsarten und nicht einzelne Tätigkeiten – bezeichnen.
Der Ansatz lautet damit wie folgt:
(1) Restriktionen zur Abstimmung von Personalbedarf und Personaleinsatz:
𝑃𝐵 = 𝑃𝐸 ∀𝑞 ∈𝑄
∈
(2) Restriktionen zur Abstimmung von Personaleinsatz und Personalausstattung:
𝑃𝐸 ≤ 𝑃𝐴 ∀𝑟 ∈𝑅
∈
Restriktion (1) verlangt für jede Personalbedarfskategorie 𝑞 ∈ 𝑄, dass der korrespondierende

Personalbedarf exakt durch den Einsatz hinreichend qualifizierter Arbeitskräfte gedeckt
wird. Die Forderung nach exakter Deckung ergibt sich aus dem Ist-gleich-Zeichen. Es ist also
nach Restriktionen vom Typ (1) unzulässig, auch mehr Arbeitskräfte als 𝑃𝐵𝑞 (dann müsste
≤ statt = gefordert werden) und es ist ebenso auch unzulässig weniger Arbeitskräfte als 𝑃𝐵𝑞
einzusetzen (dann müsste ≥ statt = gefordert werden). Würde man mehr als 𝑃𝐵𝑞 Arbeits-
kräfte einsetzen, so wäre dies unwirtschaftlich, weil es zu Produktivitätseinbußen führen
würde. Würde man weniger Arbeitskräfte als 𝑃𝐵𝑞 einsetzen, so wäre dies auch wirtschaftlich
nicht sinnvoll, da man Aufträge nicht erledigen könnte oder Konventionalstrafen zu zahlen
hätte, was wiederum beides zu Gewinneinbußen führen würde. Welche Arbeitskräfte hin-
reichend qualifiziert sind, ergibt sich aus den Bereitstellungsspektren 𝑅𝑞: Alle Arbeitskräfte-
kategorien r, die zur Deckung der entsprechenden Personalbedarfskategorie herangezogen
werden können, sind Elemente von 𝑅𝑞, so dass auf der rechten Seite von (1) über alle Arbeits-
kräftearten 𝑟 ∈ 𝑅 zu summieren ist.
Über Restriktion (2) wird für jede Arbeitskräftekategorie 𝑟 ∈ 𝑅 gefordert, dass mindestens so
viele Arbeitskräfte bereitgestellt werden müssen, wie in Leistungsprozessen eingesetzt wer-
den sollen bzw. dass man nicht mehr Arbeitskräfte einer Kategorie in Leistungsprozessen
Grundsysteme 25
einsetzen kann, als von dieser Kategorie bereitstehen bzw. bereitgestellt werden. Für welche
Leistungsprozesse 𝑞 Arbeitskräfte einer Art 𝑟 verwendet werden können, ergibt sich aus den
Verwendungsspektren 𝑄 : Alle Personalbedarfskategorien 𝑞, zu deren Deckung Arbeits-
kräfte der Art 𝑟 verwendet werden können, sind Elemente von 𝑄 , so dass auf der rechten
Seite von (2) über alle Personalbedarfsarten 𝑞 ∈ 𝑄 zu summieren ist.
Zur Erläuterung der Zusammenhänge wollen wir nochmals auf Beispiel 1 aus Kapitel 1.1
schauen. Zentrales Element dieses Beispiels ist das um Teilpersonalausstattungen und Teil-
personalbedarfe erweiterte Tableau der Bereitstellungs- und Verwendungsmöglichkeiten
(vgl. Tabelle 2.1):
Tabelle 2.1 Tableau der Bereitstellungs- und Verwendungsmöglichkeiten
Arbeitskräfte
Art 1 Art 2 Art 3 Art 4 Art 5 Art 6 Art 7 𝑃𝐵
fräsen × - - × × - × 20
Tätig- drehen - × - × - × × 30
keiten
bohren - - × - × × × 25
𝑃𝐴 24 10 10 8 10 10 3
Hier gilt nun:
𝑄 ≔ {fräsen, drehen, bohren}
𝑅 ≔ {Arbeitskräfteart 1, Arbeitskräfteart 2, Arbeitskräfteart 3, Arbeitskräfteart 4, Arbeits-

kräfteart 5, Arbeitskräfteart 6, Arbeitskräfteart 7}
𝑅 ä = {Arbeitskräfteart 1, Arbeitskräfteart 4, Arbeitskräfteart 5, Arbeitskräfteart 7}
𝑅 = {Arbeitskräfteart 2, Arbeitskräfteart 4, Arbeitskräfteart 6, Arbeitskräfteart 7}
𝑅 = {Arbeitskräfteart 3, Arbeitskräfteart 5, Arbeitskräfteart 6, Arbeitskräfteart 7}
𝑄 ä = {fräsen}, 𝑄 ä = {drehen}, 𝑄 ä = {bohren},
𝑄 ä = {fräsen, drehen}, 𝑄 ä = {fräsen, bohren},
𝑄 ä = {drehen, bohren}, 𝑄 ä = {fräsen, drehen, bohren}

Und der Ansatz lautet:
(1) Abstimmung Personalbedarf und Personaleinsatz
𝑃𝐵 ä = 20 = 𝑃𝐸 ä , + 𝑃𝐸 ä , + 𝑃𝐸 ä , +
𝑃𝐸 ä ,
𝑃𝐵 = 30 = 𝑃𝐸 , + 𝑃𝐸 , + 𝑃𝐸 , +
𝑃𝐸 ,
𝑃𝐵 = 25 = 𝑃𝐸 , + 𝑃𝐸 , + 𝑃𝐸 , +
𝑃𝐸 ,
(2) Abstimmung Personaleinsatz und Personalausstattung
𝑃𝐸 ä , ≤ 𝑃𝐴 = 24
𝑃𝐸 , ≤ 𝑃𝐴 = 10
𝑃𝐸 , ≤ 𝑃𝐴 = 10
𝑃𝐸 ä , + 𝑃𝐸 , ≤ 𝑃𝐴 =8
𝑃𝐸 ä , + 𝑃𝐸 , ≤ 𝑃𝐴 = 10
𝑃𝐸 , + 𝑃𝐸 , ≤ 𝑃𝐴 = 10
𝑃𝐸 ä , + 𝑃𝐸 , + 𝑃𝐸 , ≤ 𝑃𝐴 =3
Bei genauem Hinschauen erkennt man, dass in diesem Beispiel in Summe zwar exakt so viele
Arbeitskräfte vorhanden sind wie benötigt werden (jeweils 75) und damit der Personalbedarf
quantitativ gedeckt werden kann. Er kann aber nicht strukturell gedeckt werden, denn wir
haben 24 Arbeitskräfte der Art 1 zur Verfügung von denen jedoch nur 20 (zum Fräsen) ein-
gesetzt werden können. Diese vier überzähligen Arbeitskräfte fehlen anderweitig. Der expli-
zite Ansatz ist in diesem Beispiel nicht zulässig lösbar. Zu einer zulässigen Lösung kommt
man aber z.B., wenn man 𝑃𝐴 um 4 reduziert und 𝑃𝐴 oder 𝑃𝐴 um vier
erhöht.
2.2.1.3 Der implizite Ansatz der Personalplanung

Der sog. implizite Ansatz der Personalplanung, den wir unten nur noch kurz als impliziten
Ansatz bezeichnen, erfährt seine Benennung daher, dass in diesem der Personaleinsatz nicht
explizit, sondern lediglich implizit berücksichtigt wird. Zulässige Lösungen dieses Ansatzes
gewährleisten, dass jeweils mindestens ein zulässiger Personaleinsatzplan über Nebenrech-
nungen ermittelt werden kann; sie werden aber vom impliziten Ansatz nicht ausgewiesen.
Dadurch werden keine 𝑃𝐸-Variablen in Ansatz gebracht und der Ansatz wird einstufig: In
Grundsysteme 27
einem Schritt ist der Personalbedarf mit der Personalausstattung direkt abzustimmen.
Zur Formulierung des Ansatzes verwenden wir folgende neue Symbole:
𝕻 ≔ Potenzmenge
∅ ≔ leere Menge
∖ ≔ Differenzmengenzeichen [Lies: ohne]
 ≔ Vereinigungsmenge
Der implizite Ansatz lautet damit wie folgt:
(3) Abstimmung von Personalbedarf und Personalausstattung:
𝑃𝐵 ≤ 𝑃𝐴 ∀ 𝑄 ∈ 𝕻(𝑄) ∖ {∅}
∈ r ∈ Rq
q∈Qˆ
Diese Formulierung des impliziten Ansatzes wird für Standardfälle verwendet, in denen die
Personalbedarfe in den verschiedenen Kategorien 𝑞 ∈ 𝑄 simultan und nicht sukzessive zu
decken sind. Wenn beispielsweise die Personalbedarfskategorien (wie üblich) Tätigkeiten
darstellen, werden diese häufig gleichzeitig und nicht nacheinander zu erledigen sein. Dann
muss man dafür sorgen, dass mehrfach qualifizierte Arbeitskräfte in einem Zeitintervall nur
für eine (und nicht gleichzeitig für mehrere) Tätigkeitsarten bereitgestellt werden können.
Deshalb stimmt man zunächst nur einzelne Personalbedarfe 𝑃𝐵𝑞 mit den korrespondieren-
den Personalausstattungen ab und bildet dann alle möglichen Kombinationen der Personal-
bedarfe, die wiederum jeweils mit den entsprechenden Personalausstattungen abgestimmt
werden.
Die Potenzmenge einer Menge ist definiert als Menge aller ihrer Teilmengen, zu der selbst-
verständlich auch die Menge selbst und die leere Menge gehören. Hier geht es um die Po-
tenzmenge 𝕻(𝑄), also um die Potenzmenge der Menge der Personalbedarfskategorien und
somit um die Menge aller Teilmengen von 𝑄 (einschließlich 𝑄 selbst und der leeren Menge
∅). Die Elemente 𝑄 dieser Potenzmenge besagen dann, welche Personalbedarfe bzw. Perso-
nalbedarfskombinationen durch die Ausstattung mit hinreichend qualifizierten Arbeitskräf-
ten zu decken sind.
In Beispiel 1 aus Kapitel 1.1 gilt nun
𝕻 𝑄 \ {∅} = 𝕻(fräsen, drehen, bohren)\ {∅} = {𝑄|𝑄 = {fräsen}, {drehen}, {bohren}, {fräsen,
drehen}, {fräsen, bohren}, {drehen, bohren}, {fräsen, drehen, bohren}}
Anmerkung: Würde man die leere Menge nicht aus der Potenzmenge 𝕻(𝑄) herausnehmen,
wäre ∅ ein 𝑄 und man müsste letztlich einen Personalbedarf für ∅ bestimmen, was schlech-
terdings sinnlos wäre.
Damit lautet der Ansatz:
𝑃𝐵 ä = 20 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 = 24 + 8 + 10 + 3 = 45
𝑃𝐵 = 30 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 = 10 + 8 + 10 + 3 = 31
𝑃𝐵 = 25 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 = 10 + 10 + 10 + 3 = 33
𝑃𝐵 ä + 𝑃𝐵 = 50 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 +
𝑃𝐴 = 24 + 10 + 10 + 8 + 10 + 3 = 55
𝑃𝐵 ä + 𝑃𝐵 = 45 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 +
𝑃𝐴 = 24 + 10 + 8 + 10 + 10 + 3 = 65
𝑃𝐵 + 𝑃𝐵 = 55 ≰ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 +
𝑃𝐴 + 𝑃𝐴 = 10 + 10 + 8 + 10 + 10 + 3 = 51
𝑃𝐵 ä + 𝑃𝐵 + 𝑃𝐵 = 75 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 +
𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 = 24 + 10 +
10 + 8 + 10 + 10 + 3 = 75
Es zeigt sich, dass alle drei isolierten Personalbedarfe und fast alle Personalbedarfskombina-
tionen mit der vorliegenden Personalausstattung gedeckt werden können. Da jedoch die
Kombination der Personalbedarfe 𝑃𝐵 + 𝑃𝐵 nicht gedeckt werden kann, findet
man hier auch für den impliziten Ansatz keine zulässige Lösung. Damit ist selbstverständlich
auch die Suche nach einem zulässigen Personaleinsatzplan zum Scheitern verurteilt. Wenn
man jedoch (wie bereits oben bemerkt z.B.) 𝑃𝐴 um 4 reduziert und 𝑃𝐴 oder
𝑃𝐴 um vier erhöht, ergibt auch der implizite Ansatz eine zulässige Lösung.
2.2.2 Zielsysteme der Personalplanung

Zielsysteme bestehen immer aus einer Menge von Teilzielen, auf der eine Struktur definiert
ist. Es genügt somit bei der Definition solcher Systeme nicht, ausschließlich die Teilziele zu
bestimmen, sondern es ist auch (bei mehrelementigen Zielmengen) deren Rangordnung fest-
zulegen, mithin zu bestimmen, welche und in welchem Ausmaß Ziele anderen Zielen gegen-
über über-, welche gleich- und welche untergeordnet sind. Die in Ansatz zu bringenden Ziele
der Personalplanung lassen sich hinsichtlich ihres Inhalts (a), hinsichtlich des angestrebten
Zielausmaßes (b) und hinsichtlich des verwendeten Messniveaus (c) differenzieren.
Zu (a): In der Betriebswirtschaftslehre und somit auch in der Personalwirtschaft ist es üblich,
Grundsysteme 29
Ziele, je nachdem ob sie den Inhaltsaspekt eines Sachproblems betreffen oder ob sie (bei funk-
tionaler Äquivalenz mehrerer Instrumente) ein Auswahlkriterium darstellen, das über einen
substanziellen Tauglichkeitsaspekt hinausgeht, in Substanz- und Formalziele zu differenzie-
ren (vgl. Kosiol 1966, S. 45 f., S. 212 ff. und Kossbiel 2002, S. 484 f.). Das oberste Substanzziel
der Personalplanung (im engeren Sinne) liegt in der Herstellung und Sicherung der Verfüg-
barkeit über Personal (Stichwort: Disponibilitätsproblematik). Die Lösung von Funktionali-
tätsproblemen spielt hier definitionsgemäß keine Rolle, sie ist Gegenstand der Personalpla-
nung im weitesten Sinne. Zur Erreichung der Disponibilitätsziele werden Personalbereitstel-
lungs- und -verwendungsmaßnahmen ergriffen, die (letztlich) der Deckung betrieblicher
Personalbedarfe dienen sollen. Stehen mehrere Personalpläne zur Verfügung, auf deren Ba-
sis dieses Substanzziel erreicht werden kann, so benötigt man zudem Formalziele. Diese lie-
gen aus der Sicht des Betriebes darin, ökonomischen Erfolg zu erzielen und werden dann
häufig in Form von Erlös-, Deckungsbeitrags-, Rentabilitäts-, Produktivitäts- oder Kosten-
größen operationalisiert. Aus Sicht des Personals hingegen soll die Zufriedenheit der Ar-
beitskräfte erreicht werden. In solchen Fällen lassen sich dann z.B. die korrespondierenden
Neigungsgrade der Mitarbeiter in Ansatz bringen. Um es noch einmal auf den Punkt zu brin-
gen, lässt sich festhalten, dass Substanzziele häufig mehrere, sehr oder gar zu viele gleich
gute (sprich funktional äquivalente) Problemlösungsmöglichkeiten eröffnen und man erst
durch die Verwendung von Formalzielen zu einer rationalen Auswahlentscheidung gelangt.
Zu (b): Im Rahmen der Personalplanung können mit Extremierungs-, Satisfizierungs-, Fixie-

rungs- und Approximierungszielen grundsätzlich vier Zielarten verfolgt werden. Während
Extremierungsziele auf die Optimierung der jeweiligen Zielkriterien abstellen (es wird also
die beste und damit die größte oder kleinste Ausprägung der Zielkriterien gesucht), möchte
man bei der Verfolgung von Satisfizierungszielen zufriedenstellende Lösungen erreichen
(Hinweis: Wenn im vorliegenden Buch von Optimierung die Rede ist, meinen wir die Suche
und Erreichung von Extremwerten und nicht – wie in der Wirtschaftspraxis weit verbreitet
– das schlichte Streben nach Verbesserungen). Über Fixierungs- bzw. Approximierungsziele
strebt man eine exakte bzw. näherungsweise Erreichung der Zielkriterien an. Die Maximie-
rung von Umsätzen oder Deckungsbeiträgen, die Minimierung der Personalkosten, die
exakte Einhaltung oder die Unterschreitung vorgegebener Personalkostenbudgets und die
ungefähre Deckung des Personalbedarfs in Toleranzbereichen stellen typische praxisrele-
vante Beispiele für die genannten Zielarten dar. In der Systematik formaler Modelle sind sie
teils in sog. Zielfunktionen, teils im Restriktionenraum als Kleiner-gleich-, Größer-gleich-,
Ist-gleich- oder unscharfe Nebenbedingungen verortet.
Zu (c): Die Möglichkeiten einer rationalen Gestaltung von Personalplänen hängen maßgeb-
lich davon ab, inwieweit die erforderliche Datenbasis bzgl. Zielfunktionen und Restriktionen
erfasst, präzisiert bzw. konkretisiert werden kann. Es geht also darum, auf welchem Niveau
die jeweiligen Daten und Datenrelationen gemessen werden. Beispielsweise ist im Kontext
von Personaleinsatzplanungen darauf zu achten, dass alternative Personalzuordnungen hin-
sichtlich ihrer Zielbeiträge in eine Rangfolge zu bringen sind, so dass nominalskalierte – und
damit die Rangfolge vernachlässigende – Daten nicht in Betracht kommen, sondern lediglich
Daten höherer Skalenniveaus in Ansatz zu bringen sind. Bei Vorlage ordinalskalierter Merk-
male sind arithmetische Operationen bekanntermaßen unzulässig, so dass in solchen Fällen
lediglich (mehr oder minder schlichte) Rangordnungsverfahren verwendet werden können.

Ist man jedoch an einer höheren Präzision des Planungsergebnisses (bzw. dessen Begrün-
dung) interessiert, so sollten die Zielkriterien folglich auf Kardinalskalenniveau angesiedelt
sein. Sofern eine direkte Messung der Effizienz des Personalplans durch verhältnisskalierte
Kriterien (wie z.B. Deckungsbeiträge oder Kosten) unmöglich erscheint, ist es ratsam, auf
intervallskalierte (Ersatz-) Kriterien zurückzugreifen (wie das beispielsweise bei Eignungs-
graden im Zuge der Personalzuordnung der Fall ist).
2.3 Zur Notwendigkeit von Personalplanungen

Die Problembereiche der Personalplanung – Personalbedarf, Personalausstattung und Per-
sonaleinsatz – sind (wie bereits bemerkt) immer vierfach, nämlich quantitativ, qualitativ, lo-
kal und temporal dimensioniert. Man ist also stets gehalten anzugeben, wieviel und welches
Personal wo und wann benötigt wird, verfügbar ist oder eingesetzt werden soll. Der Ausweis
eines z.B. ausschließlich quantitativen oder ausschließlich qualitativen Personalbedarfs (Bsp.:
„wir benötigen 100 Arbeitskräfte“ oder „wir benötigen Techniker“) ist aufgrund des unzu-
reichenden Informationsgehaltes nicht zielführend.
Personalplanungsprobleme stellen sich in nicht-trivialer Weise immer dann, wenn Mehrdeu-

tigkeiten bzgl. der qualitativen, der lokalen oder der temporalen Dimension vorliegen, wenn
man also entsprechende Entscheidungen zu treffen hat (vgl. Tabelle 2.2). Dies ist z.B. dann
der Fall, wenn mehrere Kategorien von Arbeitskräften für die Erledigung ein und derselben
Tätigkeitsart bereitgestellt werden können oder wenn ein und dieselbe Arbeitskräfteart für
die Erledigung mehrerer Tätigkeitsarten verwendet werden kann (qualitative Dimension).
Sie stellen sich aber beispielsweise auch, wenn – und dies ist in vielen Betrieben der Regelfall
– mehrere Arbeitskräfte oder Arten von Arbeitskräften in mehreren Schichten oder mehreren
Schichtmustern eingesetzt (temporale Dimension) oder wenn sie mehreren Niederlassungen
zugeordnet werden können (lokale Dimension). In solchen Fällen sog. Bereitstellungs- oder
Verwendungsmehrdeutigkeiten (vgl. Kossbiel 1974, S. 13 f. und 1988, S. 1094) sind wir auf
die elaborierten Prozeduren des expliziten oder des impliziten Ansatzes angewiesen.
Zur Notwendigkeit von Personalplanungen 31
Tabelle 2.2 Fälle von Bereitstellungs- bzw. Verwendungs- -ein- und -mehrdeutigkeit
Verwendungseindeutigkeit Verwendungsmehrdeutigkeit
Fall 1 Fall 2
a) qualitativ a) qualitativ
𝑞=1
𝑞=1 𝑟=1
𝑟=1
𝑞=2
b) lokal b) lokal
Bereitstellungs-
eindeutigkeit 𝑠=1
𝑠=1 𝑟=1 𝑟=1
𝑠=2
c) temporal c) temporal
𝑡=1
𝑡=1 𝑟=1 𝑟=1
𝑡=2
Fall 3 Fall 4
a) qualitativ a) qualitativ
𝑟=1 𝑞=1 𝑟=1
𝑞=1
𝑟=2 𝑞=2 𝑟=2
Bereitstellungs- b) lokal b) lokal

𝑟=1 𝑠=1 𝑟=1
mehrdeutigkeit
𝑠=1
𝑟=2 𝑠=2 𝑟=2
c) temporal c) temporal
𝑟=1 𝑡=1 𝑟=1
𝑡=1
𝑟=2 𝑡=2 𝑟=2
Quelle: In Anlehnung an Kossbiel 1974, S. 14.
Das vielfach zitierte und nachstehend kurz referierte sog. „klassische Schema der Personal-
planung“ ist dann zum Scheitern verurteilt. Dieses Schema sieht vor, dass der sog. Netto-
Personalbedarf wie folgt aus dem sog. Soll-Personalbestand zu ermitteln ist (vgl. Schoenfeld
1992, Sp. 1743, Schulte 1989, S. 10 f. und Flohr 1984, S. 50 ff.):
Soll-Personalbestand (Brutto-Personalbedarf)
− Ist-Personalbestand
+ Abgänge (aus Kündigungen etc.)
− Zugänge (aus Neueinstellungen etc.)
= Netto-Personalbedarf
Für den Fall, dass der Soll- kleiner (bzw. größer) als der Ist- Personalbestand ist, wird von
den Verfechtern dieses Schemas empfohlen, Entlassungen (bzw. Einstellungen) in entspre-
chender Höhe vorzunehmen. Das Schema ist – wie bereits angedeutet – wegen seiner über-
mäßigen Simplifizierung der Zusammenhänge in Fällen qualitativer, lokaler oder temporaler
Mehrdeutigkeiten und wegen seiner einseitigen Fokussierung auf die Mengen- bei gleichzei-
tiger Negierung der Preiskomponente abzulehnen. Es kann lediglich bei Bereitstellungs- und
Verwendungseindeutigkeiten und somit nur in solchen Fällen angewendet werden, in denen
es nichts zu entscheiden gibt. In solchen Fällen ist Personalplanung jedoch überhaupt nicht
notwendig.
2.4 Übungsaufgaben
Aufgabe 6
Ein Unternehmen verfüge über eine Menge an Arbeitskräftekategorien 𝑅 ≔ {𝑟|𝑟 =

1, 2, 3, 4, 5}, welche zur Erledigung der Aufgabenarten 𝑞 ∈ 𝑄 ≔ {𝑞|𝑞 = 1, 2, 3} herangezogen
werden können. Die Bereitstellungs- und Verwendungsmöglichkeiten der Arbeitskräfte so-
wie die entsprechenden Personalbedarfe 𝑃𝐵𝑞 und Personalausstattungen 𝑃𝐴 sind in Tabelle
2.3 aufgeführt:
𝑟=1 𝑟=2 𝑟=3 𝑟=4 𝑟=5 𝑃𝐵
𝑞=1 × - - × × 25
𝑞=2 - × - × × 30
𝑞=3 - - × - × 40
𝑃𝐴 20 20 30 15 10
a. Ermitteln Sie zunächst die Bereitstellungs- und Verwendungsspektren des Unterneh-

mens!
Übungsaufgaben 33
b. Bestimmen Sie nun die Anzahl an Restriktionen zur Abstimmung des Personalbedarfs
und der Personalausstattung sowie die Potenzmenge von 𝑄!
c. Formulieren Sie den impliziten Ansatz der Personalplanung zu dieser Problemstellung!
Welche Aussagen können Sie auf Basis dessen bezüglich der Personalbedarfsdeckung
treffen?
d. Formulieren Sie den expliziten Ansatz der Personalplanung zu dieser Problemstellung
und ermitteln Sie den zulässigen Personaleinsatzplan!
Aufgabe 7
Ein Automobilhersteller produziert in zwei verschiedenen Hallen 𝑠 ∈ 𝑆 ≔ {𝑠|𝑠 = 1, 2} Fahr-

zeuge. Innerhalb dieser Produktion fallen insgesamt vier Aufgabenarten 𝑞 ∈ 𝑄 ≔ {𝑞|𝑞 =
1, 2, 3, 4} an:
𝑞 = 1 - Montage des Motorblocks
𝑞 = 2 - Verschweißen der Karosserie
𝑞 = 3 - Installation der Armaturentechnik
𝑞 = 4 - Lackieren der Fahrzeuge
Zur Erledigung dieser Aufgaben können Arbeitskräfte dreier Kategorien 𝑟 ∈ 𝑅 ≔

{𝑟|𝑟 = 1, 2, 3} herangezogen werden:
𝑟 = 1 - Elektroniker
𝑟 = 2 - Kfz-Mechaniker
𝑟 = 3 - Aushilfskräfte
Das Verschweißen der Karosserie kann sowohl von Elektronikern als auch von Kfz-Mecha-
nikern durchgeführt werden. Die Montage des Motorblocks hingegen kann ausschließlich
von Kfz-Mechanikern und die Installation der Armaturentechnik ausschließlich von Elekt-
ronikern vorgenommen werden. Das Lackieren der Fahrzeuge können alle Arbeitskräfte
durchführen. Die Personalbedarfe für die Aufgabenarten 𝑞 in den Produktionshallen 𝑠 (𝑃𝐵𝑞𝑠)
sowie die Personalausstattungen an Arbeitskräften der Art 𝑟 in den Produktionshallen 𝑠
(𝑃𝐴 ) sind in Tabelle 2.4 und Tabelle 2.5 erfasst.
Tabelle 2.4 Sektorabhängige Personalbedarfe
𝑃𝐵
𝑠=1 𝑠=2
𝑞=1 𝑞=2 𝑞=3 𝑞=4 𝑞=1 𝑞=2 𝑞=3 𝑞=4
20 25 20 10 30 45 30 15
Tabelle 2.5 Sektorabhängige Personalausstattungen
𝑃𝐴
𝑠=1 𝑠=2
𝑟=1 𝑟=2 𝑟=3 𝑟=1 𝑟=2 𝑟=3
30 35 15 55 55 20
a. Erstellen Sie ein 𝑟-𝑞-Tableau mit den möglichen Zuordnungen von Arbeitskräftekatego-
rien zu Aufgabenarten sowie die entsprechenden Bereitstellungs- und Verwendungs-
spektren!
b. Formulieren Sie den impliziten Ansatz der Personalplanung zu dieser Problemstellung!
c. Formulieren Sie den expliziten Ansatz der Personalplanung zu dieser Problemstellung!
d. Wie würden sich die Ansätze aus Ihrer Lösung zu Aufgabenteil b. und c. ändern, wenn
der Automobilhersteller in seiner Personalplanung mehrere Perioden 𝑡 ∈ 𝑇 ≔ {𝑡|𝑡 =
1, 2, 3} berücksichtigen möchte? Formulieren Sie den angepassten expliziten Ansatz
exemplarisch für die Periode 𝑡 = 3! Gehen Sie dabei davon aus, dass die Personalbedarfe
und Personalausstattungen in 𝑡 = 3 mit den Personalbedarfen aus Tabelle 2.4 und den
Personalausstattungen aus Tabelle 2.5 identisch sind.
Aufgabe 8
Erläutern Sie – auch anhand selbstgewählter Beispiele – wann Personalplanungen grund-

sätzlich notwendig sind und was man in diesem Kontext unter Bereitstellungs- bzw. Ver-
wendungs- -ein- und -mehrdeutigkeit versteht!
Aufgabe 9
Erläutern Sie kurz, warum das sog. „klassische Schema der Personalplanung“ abzulehnen
ist und warum im vorliegenden Buch von Personalausstattungen und nicht von Personalbe-
ständen die Rede ist!
Teil 2
Generelle Anwendungsfelder der
Personalplanung
3 Überblick
Zur Analyse und Lösung der vielfältigen Personalplanungsprobleme wurde (vor allem) seit
Beginn der 60er Jahre des 20. Jahrhunderts – die erste deutschsprachige Monographie ver-
fasste Marx (1963) – eine bunte Palette an Modellansätzen entwickelt. Es ist so gut wie un-
möglich, diese Ansätze vollständig zu kategorisieren und im Einzelnen aufzuführen. Wir
werden uns deshalb auf eine Auswahl beschränken. Die hier thematisierten Ansätze lassen
sich (u.a.) nach den betrachteten Planungsbereichen, dem Zeit- und dem Zweckbezug sowie
dem Zielraum, der jeweiligen Lösungsgüte und der Flexibilität der Planung, den verbleiben-
den Freiheitsgraden sowie dem Ausmaß thematisierter Kontingenz differenzieren. In der
nachstehenden Tabelle 3.1 sind diese Differenzierungskriterien einschließlich korrespondie-
render potenzieller Differenzierungen überblicksartig dargestellt. Auf die meisten dieser
Modelldifferenzierungen gehen wir unten in den Abschnitten 4-10 eher skizzenhaft, auf die
Ermittlungs- und die Entscheidungsmodelle in den Abschnitten 11 und 12 hingegen recht
ausführlich ein.
Tabelle 3.1 Typen von Personalplanungsproblemen
Differenzierungskriterium Differenzierung
Zeitbezug Kurz-, mittel-, langfristige Personalplanungen
Diagnose-, Prognose-, Dezisions-, Simulationsmo-

Zweckbezug
delle
Zielraum Ein-, Mehrzielmodelle
Lösungsgüte Heuristische, optimierende Ansätze
Flexibilität Starre, flexible Planungsansätze
Freiheitsgrade Strategische, taktische, operative Planungen
Deterministische, stochastische, unscharfe

Kontingenz
Ansätze
Isolierte, integrierte, sukzessive, simultane

Planungsbereiche
Personalplanungen
https://doi.org/10.1007/978-3-658-25935-8_3
38 Überblick
Da die in Tabelle 3.1 genannte Differenzierung vielfache Kombinationsmöglichkeiten er-

laubt, lässt sich damit ein breiter Fächer von Ansätzen der Personalplanung aufspannen. So
sind z.B. Modelle der simultanen Personalplanung häufig langfristig und strategisch ange-
legt, können starr oder flexibel formuliert sein und auf deterministischen, stochastischen
und/oder unscharfen Daten basieren, heuristisch oder optimierend vorgehen und ein oder
mehrere Ziele beinhalten.
4 Kurz-, mittel- und langfristige
Personalplanungen
4.1 Darstellung
Differenziert man Personalplanungsansätze nach der Fristigkeit des Planungszeitraums, so
werden kurz- von mittel- und langfristigen Modellen unterschieden. Als Differenzierungs-
kriterium dient somit der kalendarische Zeitbezug. Personalplanungsprobleme mit einem
Horizont von bis zu drei Monaten werden dann häufig als kurz-, solche mit einem Horizont
zwischen drei und zwölf Monaten oft als mittel- und solche, deren Planungshorizont über
ein Jahr hinausreicht, werden häufig als langfristig bezeichnet. Selbstverständlich obliegt die
konkrete Festlegung der Abgrenzung dem jeweiligen Entscheider und ist insofern nicht mit
dem Anspruch auf generelle Gültigkeit verknüpft (zu einem anderen Abgrenzungsvorschlag
vgl. z.B. Zahn 1989, Sp. 1085).
Viele Probleme der reinen Personaleinsatzplanung stellen kurzfristige Planungsprobleme

dar, so z.B. wenn Arbeitskräfte einzelnen Maschinen oder Jobs zuzuordnen sind (Job Mat-
ching), wenn der Monatsdienstplan für das Pflegepersonal einer chirurgischen Klinik erstellt
werden soll (Nurse Scheduling) oder wenn die Zuordnung von Busfahrern zu -linien eines
städtischen Verkehrsbetriebes gesucht wird (Bus Driver Scheduling). Im Falle saisonaler (z.B.
quartalsweiser), wiederkehrender Schwankungen des Personalbedarfs sind (z.B. in Waren-
häusern oder in der Gastronomie) vielfach mittelfristige Personalbereitstellungsplanungen
angebracht. Ein typisches Beispiel für langfristige Personalplanungen hingegen sind alle
Fälle, in denen gleichzeitig Entscheidungen über das zukünftige Produktions- und das In-
vestitionsprogramm sowie über die optimale Personalbereitstellung und -verwendung ge-
troffen werden sollen (vgl. Spengler 1995, S. 9).
4.2 Übungsaufgabe
Aufgabe 10
Erläutern Sie neben dem kalendarischen Zeitbezug eine weitere Möglichkeit zur Abgren-
zung von kurz-, mittel- und langfristigen Personalplanungen!
https://doi.org/10.1007/978-3-658-25935-8_4
5 Diagnose-, Prognose-, Dezisions-
und Simulationsmodelle der
Personalplanung
5.1 Darstellung
Seit Ende der 1960er Jahre gilt in der Betriebswirtschaftslehre die Verwendung des disposi-
tiven Planungsbegriffes als Konvention. Planungen durchzuführen bedeutet mithin, immer
(auch) Entscheidungen vorzubereiten und zu treffen. Bei strenger Auslegung dürften somit
lediglich die Dezisionsmodelle zu den Personalplanungsmodellen zählen. Da jedoch Diag-
nosen, Prognosen und Simulationen für Personalplanungen unerlässlich sind (denn man fin-
det keinen zulässigen Personalplan ohne geeignete Datengrundlage), zählen wir, aufgrund
ihrer unterstützenden Funktion, auch die anderen genannten Modelltypen zu den Personal-
planungsmodellen.
Modelle stellen nach Maßgabe des von uns favorisierten konstruktivistischen Modellbegriffs
keine (zum Original ähnlichen) Abbildungen dar, sondern sie sind menschliche Konstrukti-
onen bzw. Definitionen von Phänomenen, wie z.B. Sachverhalten, Gegenständen oder Situ-
ationen. Sie sind Artefakte (durch menschliches Können Geschaffenes), die nach Maßgabe
des jeweils verfolgten Ziels unterschiedlich ausfallen können.
Personalplanungen können (auch aus wissenschaftstheoretischer Sicht) der Verfolgung ver-

schiedener Zwecke dienen, nämlich der Erklärung und Beschreibung, der Prognose, der Ge-
staltung und der Kritik bereits getroffener oder noch zu treffender Personalbedarfs-, -aus-
stattungs- oder -einsatzentscheidungen (Spengler 1999, S. 41 ff.). Nach Maßgabe des verfolg-
ten Zwecks kommen dann (a) Diagnose-, (b) Prognose-, (c) Dezisions- oder (d) Simulations-
modelle zum Einsatz.
Zu (a): Diagnosemodelle werden zur Feststellung personalwirtschaftlicher Daten, wie bei-

spielsweise der rechnerischen Ermittlung des Personalbedarfs (z.B. Rosenkranz-Formel, vgl.
Rosenkranz 1968), von Fluktuationsraten oder von Personalausstattungen (z.B. Personalbe-
wegungstableau; vgl. Kossbiel 1988, S. 1067 f.) etc. formuliert. Zu ihnen zählen die Beschrei-
bungs- und Erläuterungsmodelle, die – wie die Begriffe besagen - der Beschreibung bzw.
Erläuterung oder Erklärung (Fremdwort: Explikation) von Phänomenen dienen. In der Be-
triebswirtschaftslehre geht es dann beispielsweise um die „schlichte“ Beschreibung eines
Problems, z.B. dass und inwiefern die Produktivität in der Fertigungsabteilung zurückge-
gangen ist, dass die Konkurrenz unserer Firma gegenüber aufgeholt hat etc. Ein wesentliches
bei Modellen dieses Typs verwendetes Instrument ist häufig die grafische Darstellung, z.B.
in Form sog. Struktogramme, Flussdiagramme (engl. Flowcharts) inkl. Aktivitätsdiagramme
oder Netzpläne. Sie werden u.a. zur Programmablaufplanung, Datenflussplanung, Projekt-
https://doi.org/10.1007/978-3-658-25935-8_5
42 Diagnose-, Prognose-, Dezisions- und Simulationsmodelle der Personalplanung
strukturplanung, Produktionsablaufplanung oder zur Maschinenbelegungsplanung formu-

liert.
Erklärungsmodelle dienen der Erklärung von Sachverhalten bzw. Phänomenen. Man fragt
sich dann beispielsweise, warum die Kapitalausstattung des Betriebes die aktuelle Struktur
aufweist, wieso der Aktienkurs eine gewisse Entwicklung genommen hat oder weshalb die
Produktivität in der Fertigungsabteilung zurückgegangen ist. Veränderungen betriebswirt-
schaftlicher Gegebenheiten können von Seiten des Unternehmens schwer kontrollierbar oder
gar unbeeinflussbar sein. Man spricht dann von sog. autonomen Änderungen oder von Ein-
flüssen. Menschliches Handeln unterliegt immer solchen Einflüssen. Man kann aber immer
auch auf solche Einflüsse (im Nachhinein) reagieren oder diese (im Voraus in Grenzen) vor-
hersehen und versuchen, Zukunft aktiv zu gestalten. Letztgenannte Änderungen werden als
absichtlich herbeigeführte (Fremdwort: induzierte) Änderungen bezeichnet. Erklärungsmo-
delle wendet man also an, wenn man nach Erklärungen für autonome und induzierte Ände-
rungen betriebswirtschaftlicher Sachverhalte sucht, sofern diese in der Vergangenheit statt-
gefunden haben und sofern sie sich ökonomisch erklären lassen. Es geht also um die Erklä-
rung des Zustandekommens autonomer und die im Nachgang stattfindende (Fremdwort:
retrospektive) Begründung induzierter Änderungen betriebswirtschaftlicher Größen. Wir
wollen unsere Ausführungen zu den Erklärungsmodellen mit dem Hinweis abschließen,
dass der Begriff der Erklärung in der deutschen Sprache mit unterschiedlichen Inhalten be-
legt ist, z.B. als Rekonstruktion oder als Deklaration. Rekonstruktion meint hier Erklärung
im Sinne von Darlegung, Erläuterung, Veranschaulichung oder Aufklärung. Sie liegt z.B. vor,
wenn ein Lehrer seinen Schülern eine chemische Formel erklärt, wenn man erklärt, warum
man den Zug verpasst hat etc. Deklaration hingegen meint Erklärung im Sinne von Verkün-
digung, z.B. wenn eine betriebliche Angelegenheit zur Chefsache erklärt wird oder ein Staat
eine Unabhängigkeitserklärung abgibt.
Durch die Verwendung von Ermittlungsmodellen sollen Sachverhalte und Zusammenhänge

ermittelt werden. Sie dienen somit der Feststellung betriebswirtschaftlicher Daten, wobei wir
hier den Begriff des Datums im Sinne einer feststehenden Größe und nicht etwa im Sinne des
Kalenderdatums verstehen. So ergibt sich beispielsweise der Lagerbestand zu einem gewis-
sen Zeitpunkt aus dem Anfangsbestand eines früheren Zeitpunktes zuzüglich aller zwi-
schenzeitlichen Zugänge zum und abzüglich aller zwischenzeitlichen Abgänge aus dem La-
ger.
Beispiel: Lageranfangsbestand am 1. Juli: 1.500 Stück
+ Zugänge zum Lager im Monat Juli: 2.000 Stück
− Abgänge aus dem Lager im Monat Juli: 800 Stück
= Lagerbestand am 1. August: 2.700 Stück
Solche Daten werden häufig über einfache (oder über komplexere Systeme von) Bestim-
mungsgleichungen rechnerisch ermittelt und zwar in der dargestellten Gleichungsform oder
in sog. Bewegungstableaus, deren grundsätzlichen Aufbau wir in Kap. 11.3 anhand des sog.
Darstellung 43
Personalbewegungstableaus erläutern.
Zu (b): Prognosemodelle werden im Bereich der Personalplanung eingesetzt, wenn zukünf-

tige – und zumindest teilweise – zufallsabhängige Ausprägungen personalplanungsrelevan-
ter Daten vorausgesagt werden sollen. Zu denken ist hier z.B. an die Prognose der künftigen
Absatzmöglichkeiten, der Inflationsrate, des Wirtschaftswachstums, der betrieblichen Ge-
winnentwicklung etc. Generell kann man im Bereich der sog. quantitativen Methoden sog.
eindimensionale (wie z.B. die Extrapolation und Trendprognoserechnung, die Berechnung
gleitender Durchschnitte und die exponentielle Glättung) und mehrdimensionale Verfahren
(wie z.B. ökonometrische Modelle und Regressionsrechnungen) anwenden, während beim
Einsatz sog. qualitativer Verfahren auf diverse Methoden aus dem Köcher der sog. Kreativi-
tätstechniken (wie z.B. das Brainstorming, das Mind Mapping oder das Ishikawa-Diagramm)
oder der strategischen Umfeldanalyse (wie z.B. die Delphi-Methode oder die SWOT-Ana-
lyse) einsetzbar sind. Zu den hybriden Verfahren zählt die sog. Szenariotechnik, die keine
isolierte Methode, sondern eine aus einer Reihe diverser Instrumente bestehende Toolbox
darstellt. Sie hat die Entwicklung, Erstellung und Prognose alternativer Zukunftszustände
(sog. Szenarien) zum Ziel. Dazu sind vor allem das Untersuchungsfeld zu strukturieren so-
wie zu definieren und die wichtigsten Einflussbereiche zu identifizieren, Entwicklungsten-
denzen und kritische Deskriptoren für die Umfelder zu ermitteln, alternative konsistente An-
nahmenbündel zu bilden und auszuwählen, ausgewählte Umfeldszenarien zu interpretie-
ren, potenzielle Wirkungen signifikanter Störereignisse zu analysieren und korrespondie-
rende Szenarien auszuarbeiten (vgl. Kratzberg 2009).
Neben generellen kommen auch solche Verfahren zum Einsatz, die speziell für personalwirt-
schaftliche Fragestellung formuliert wurden. Zu denken ist hier z.B. an die Doeringer et al.-
Formel zur Prognose des langfristigen Personalbedarfs (vgl. Doeringer et al. 1972) oder an
Markov-Ketten-Modelle zur Prognose der Personalausstattung bei relativ konstanter Perso-
nalpolitik (vgl. Kossbiel 1988, S. 1078 ff.).
Zu (c): Wir haben bereits betont, dass die Betriebswirtschaftslehre eine entscheidungsorien-
tierte Realwissenschaft ist. Der Gestaltung betriebswirtschaftlicher Sachverhalte kommt so-
mit eine herausragende Bedeutung zu, so dass Entscheidungsmodelle auch eine zentrale
Stellung im Kanon betriebswirtschaftlicher Modelle aufweisen. Sie dienen der Entschei-
dungsvorbereitung und -unterstützung, d.h. nicht das Modell trifft die Entscheidung (wie
manchmal befürchtet oder fälschlicherweise angenommen wird), sondern immer der das
Modell konstruierende und anwendende Mensch. Über Entscheidungsmodelle bringt man
zum Ausdruck, wie man eine Entscheidungssituation definiert (wir erinnern an den sog.
konstruktivistischen Modellbegriff), d.h. der Entscheider bringt die von ihm in der jeweiligen
Situation als wichtig erachteten Bedingungen, zu verfolgenden Ziele, erwogenen Maßnah-
men und vermuteten Wirkungen ein und versucht, daraus eine möglichst rationale Entschei-
dung abzuleiten. In Abschnitt 12 werden einschlägige Dezisionsmodelle behandelt, bei de-
nen der Personalbedarf oder die Personalausstattung (oder beide) als Datum oder Entschei-
dungsvariable in den jeweiligen Kalkül eingehen und der Personaleinsatz (aus Gründen der
Logik) immer entscheidungsabhängig ist.
44 Diagnose-, Prognose-, Dezisions- und Simulationsmodelle der Personalplanung
Zu (d): Simulieren bedeutet (s.a. Kap. 10), sich etwas vorzustellen oder Vorgänge wirklich-
keitsgetreu nachzuahmen (z.B. technisch-physikalische Vorgänge im Windkanal oder im
Flugsimulator). Eine weitere Interpretation des Simulationsbegriffes besteht darin, dass man
etwas vortäuscht oder vorgibt (z.B. eine Krankheit). Die letztgenannte Begriffsauslegung
wollen wir hier nicht weiter verfolgen. Betriebswirtschaftliche Simulationsmodelle dienen
der simulativen Entwicklung planerisch einschlägiger (Konstellationen von) Daten und/oder
Entscheidungsvariablen, z.B. zur Ermittlung von Worst- und Best-Case-Szenarien im Rah-
men der strategischen Planung. Da wir in systemtheoretischer Diktion unter einem System
eine Menge von zueinander in Beziehung stehenden Elementen verstehen, geht es somit
letztlich um die Entwicklung von (häufig großzahligen) Ausprägungsmöglichkeiten der Ele-
mente eines Planungssystems oder deren Beziehungen. Simulationsmodelle können auf der
Annahme basieren, dass alle verwendeten Daten als eindeutig bekannt und gegeben festlie-
gen (sog. deterministische Daten) oder dass die Daten zufallsabhängig (Fremdwort: stochas-
tisch) sind. Man spricht dann von deterministischer bzw. stochastischer Simulation. Statische
Systeme sind – so der Begriff – unveränderlich, während dynamische Systeme Veränderun-
gen unterliegen. Hier geht es letztlich um Veränderungen über die Zeit. Statische Simulatio-
nen thematisieren solche Veränderungen nicht, es handelt sich um einperiodige bzw. zeitun-
abhängige Modelle. Bei dynamischen Simulationen werden zeitabhängige Prozesse betrach-
tet: Die Systemausprägungen einer Folge- hängen von den Ausprägungen der Vorperiode
ab (und umgekehrt). Dynamische Simulationsmodelle können weiter differenziert werden,
u.a. in diskrete und kontinuierliche Simulationen. Während in diskreten Modellen System-
bewegungen nur zu bestimmten Zeitpunkten oder bei bestimmten Ereignissen stattfinden
bzw. betrachtet werden, ist dies bei kontinuierlichen Systemen stetig der Fall. Die Elemente
der drei soeben skizzierten Begriffspaare werden in Anwendungen kombiniert. Dies ist z.B.
bei sog. Monte Carlo-Simulationen der Fall, die der „[…] Analyse statischer, stochastischer
Systeme durch Stichprobenexperimente […]“ dienen, wobei […] „wiederholt Stichproben
möglicher Szenarien durch die Kombination von zufällig bestimmten Parameterausprägun-
gen generiert und über die ermittelten Wirkungszusammenhänge die zugehörigen Ergeb-
nisse bestimmt“ werden (Domschke et al. 2015, S. 234). Markov-Ketten-Modelle sind Bei-
spiele für stochastische, dynamische und diskrete Simulationen (vgl. z.B. Bungartz et al. 2013,
S. 213 ff.).
Verschiedene Simulationsarten weisen im Bereich der Personalplanung besondere Bedeu-

tung auf. Monte Carlo-Simulationen können z.B. sehr gut bei Selektionsentscheidungen im
Rahmen der Personalrekrutierung herangezogen werden, während Markov-Ketten-Modelle
für die Simulation demografischer Effekte auf Personalbedarfe und Personalstrukturen be-
sonders gut geeignet sind (vgl. z.B. Gischer/Spengler 2008 und Spengler et al. 2018). Für (In-
bound) Call Centers sind Warteschlangenmodelle (vgl. z.B. Bungartz et al. 2013, S. 208 ff. und
Domschke et al. 2015, S. 219 ff.) besonders relevant, da hier die im Call Center anrufenden
Kunden von einem Call Center-Agent bedient werden wollen und möglicherweise hier in
eine Warteschleife bzw. -schlange geraten. Diese (und letztlich auch das Call Center) sind
daran interessiert, solche Wartezeiten möglichst kurz zu halten und gleichzeitig möchte aber
auch das Call Center die Anzahl bereitzustellender Agents nicht über Gebühr ausweiten (vgl.
Helber/Stolletz 2004 und Helber et al. 2005). In der Praxis wird hier vielfach die sog. Erlang
Übungsaufgaben 45
C-Formel in Ansatz gebracht (vgl. Schürmann/Tisson 2006, S. 36 ff.), aber auch Varianten wie
die sog. Hills B- oder die sog. Merlang-Formel findet man in einschlägigen Workforce-Ma-
nagementsystemen (vgl. Cleveland et al. 1998). Im Bereich der strategischen Personalpla-
nung werden zudem Simulationen auf der Basis sog. System Dynamics-Ansätze (vgl. Forres-
ter 1961) durchgeführt (vgl. Weinmann 1978 und Spengler et al. 2018).
5.2 Übungsaufgaben
Aufgabe 11
Erläutern Sie das Erklärungsziel im Kontext wissenschaftlichen Arbeitens!
Aufgabe 12
Warum kann der Personaleinsatz nicht als Datum in Entscheidungsmodellen zur Personal-
planung eingehen?
Aufgabe 13
Inwiefern können Monte Carlo-Simulationen bei Selektionsentscheidungen im Rahmen der

Personalrekrutierung herangezogen werden?
6 Ein- und Mehrzielmodelle der
Personalplanung
6.1 Darstellung
(Optimierungs-) Modelle der Personalplanung können der Verfolgung eines oder mehrerer
Ziele dienen. Als Ziele kommen beispielsweise die Minimierung der Personalkosten (z.B.
Einstellungs-, Entlassungs-, Gehalts-, Beförderungs-, Versetzungs-, Schulungskosten etc.),
die Maximierung der Personalerträge (z.B. von Außendienstmitarbeitern erwirtschaftete
Umsätze, Deckungsbeiträge etc.), die Maximierung der Eignungsgradsumme von Arbeits-
kräften (z.B. euklidische Distanz, gewichtete Abweichungssumme etc.) aber auch deren Zu-
friedenheit (z.B. Zufriedenheits- oder Neigungsgrade) in Betracht.
Sofern lediglich ein Ziel verfolgt wird oder wenn zwar mehrere Ziele verfolgt werden, diese
jedoch additiv in einer Zielfunktion „zusammengefasst“ werden können (wie z.B. bei der
Minimierung der Personalgesamtkosten), spricht man von Einzielmodellen. In den Fällen, in
denen hingegen mehrere, nicht additiv zu integrierende Teilzielfunktionen zu verwenden
sind (z.B. wenn gleichzeitig die Zufriedenheit der Mitarbeiter maximiert und die Personal-
kosten minimiert werden sollen), geht es um sog. Mehrzielmodelle. Letztere werden auch als
Vektoroptimierungsprobleme bezeichnet, da man letztlich einen Vektor simultan zu opti-
mierender Zielfunktionen erhält. Bei nicht-trivialen Vektoroptimierungsproblemen sind die
einzelnen Ziele (zumindest partiell) konfliktär, so dass der optimale Kompromiss zu suchen
ist.
Zur Optimierung von Multi Criteria-Problemen bietet das Operations Research vor allem
vier (z.T. nicht überschneidungsfreie) Lösungswege an (vgl. zu drei dieser vier Wege z.B.
Isermann 1979 und Zimmermann 1976): Ein erster liegt in der Verwendung von Goalpro-
gramming-Ansätzen, die mit sog. Abstandsfunktionen arbeiten (vgl. z.B. Charnes/Cooper
1961)). Eine zweite Klasse von Ansätzen sind die klassischen Nutzenmodelle, bei denen die
Teilzielfunktionen über Gewichtungsfaktoren und Aggregationsoperatoren zu einer überge-
ordneten Nutzenfunktion zusammengefasst werden (vgl. z.B. Churchman/Ackoff 1954). Im
Rahmen sog. interaktiver Verfahren wird die übergeordnete Nutzenfunktion des Entschei-
ders im Laufe des Lösungsprozesses algorithmisch bestimmt, so dass er nicht gezwungen ist,
sich ex ante auf eine bestimmte Präferenzfunktion festzulegen (vgl. z.B. Berg 1978, Fandel
1972, Fedrizzi et al. 1991 und Werners 1984). Der vierte Weg besteht in der Formulierung
unscharfer interaktiver Nutzenmodelle, bei denen die Zufriedenheit des Entscheiders mit
alternativen Ausprägungen der Teilzielfunktionen in Form unscharfer Mengen (engl. Fuzzy
Sets) zum Ausdruck gebracht wird (vgl. z.B. Zimmermann 1978, Leberling 1983, Spengler
1993 und Rommelfanger 1994). Diesen wollen wir uns nun etwas genauer anschauen, da die
Methodik mit relativ wenig Aufwand zu sehr guten Planungsergebnissen führt. Dazu ist je-
doch zunächst zu klären, was man unter einer unscharfen Menge versteht.
https://doi.org/10.1007/978-3-658-25935-8_6
48 Ein- und Mehrzielmodelle der Personalplanung
In Ihrer Schulzeit haben Sie wahrscheinlich sog. klassische Mengen kennengelernt. Cantor
versteht unter einer (klassischen) Menge „[…] jede Zusammenfassung 𝑀 von bestimmten
wohlunterschiedenen Objecten 𝑚 unserer Anschauung oder unseres Denkens (welche die
‚Elemente‘ von 𝑀 genannt werden) zu einem Ganzen. In Zeichen drücken wir dies so aus:
𝑀 = {𝑚}“ (Cantor 1895, S. 481). Bei Geltung des klassischen Mengenkonzeptes kann ein Ele-
ment 𝑚 zur Menge 𝑀 gehören oder nicht. Es gibt für die Zugehörigkeit also nur zwei Zu-
stände: Die vollständige Zugehörigkeit oder die vollständige Nicht-Zugehörigkeit. Bezeich-
net man mit 𝜇 (𝑚) den Wert der Zugehörigkeit von 𝑚 zur Menge 𝑀, dann gilt
0, wenn 𝑚 nicht zu 𝑀 gehört

𝜇 (𝑚) =
1, wenn 𝑚 zu 𝑀 gehört
und damit 𝜇 (𝑚) ∈ {0,1}.
Unscharfe Mengen kennzeichnen wir mit einer Tilde über dem Mengensymbol. Eine un-
scharfe Menge 𝑀 ist definiert (vgl. Rommelfanger 1994, S. 8) als eine Menge geordneter
Zweitupel
𝑀 ∶= 𝑥, 𝜇 (𝑥) │𝑥 ∈ 𝑋 , mit 𝜇 : 𝑋 → [0,1].
𝑋 ist dabei eine Grundmenge, deren Elemente 𝑥 hinsichtlich einer unscharfen Aussage zu
bewerten sind. Diese Bewertung erfolgt über den jeweiligen Zugehörigkeitswert 𝜇 (𝑥), der
zum Ausdruck bringt wie stark für 𝑥 die jeweilige unscharfe Aussage gilt. Beispiele für un-
scharfe Aussagen sind z.B. „hoher Gewinn“, „schöner Erfolg“, gutes Geschäft“ etc. Die Be-
legschaft einer Abteilung 𝑋 bestehe beispielsweise aus den Arbeitskräften 𝑥│𝑥 =
Herr A, Frau B, Herr C, Herr D, Frau E, Frau F . Diese seien nun hinsichtlich der unscharfen
Aussage „ist eine motivierte Arbeitskraft“ zu beurteilen. Es ist somit zu klären, inwiefern
eine Arbeitskraft motiviert ist. Bei Verwendung klassischer Mengen, gäbe es hier nur zwei
Möglichkeiten, nämlich 𝑥 ist motiviert oder x ist nicht motiviert. Ein abgestuftes Urteil wäre
hier nicht möglich. Unscharfe Mengen hingegen erlauben differenziertere Urteile, da die Zu-
gehörigkeit nicht dichotom (zweiwertig) erfasst wird, sondern abgestufte Einschätzungen
möglich sind, denn hier gilt offenbar 𝜇 (𝑥) ∈ [0,1] und nicht etwa wie bei klassischen Men-
gen ∈ {0,1}. Im Beispiel möge 𝜇 (Herr A) = 0; 𝜇 (Frau B) = 0,2; 𝜇 (Herr C) = 0,8;
𝜇 (Herr D) = 0,6; 𝜇 (Frau E) = 1 und 𝜇 (Frau F) = 0,7 gelten. Dies kann so interpretiert
werden, dass Herr A überhaupt nicht, Frau B gering, Herr C ziemlich, Herr D mittelmäßig,
Frau E voll und Frau F mittel bis hoch motiviert ist.
Mit diesem Vorspann zum Konzept unscharfer Mengen können wir nun einen einfachen An-
satz zur unscharfen Vektoroptimierung vorstellen. Dabei gelten folgende Symbole:
𝐼̅ ≔ 𝑖│𝑖 = 1, 2, … , 𝐼 Indizes zur Bezeichnung der (scharfen) Restriktionen
𝐽̅ ≔ 𝑗│𝑗 = 1, 2, … , 𝐽 Indizes zur Bezeichnung der Entscheidungsvariablen
𝐾 ≔ 𝑘│𝑘 = 1, 2, … , 𝐾 Indizes zur Bezeichnung der Ziele
𝑐 ≔ (scharfer) Zielfunktionskoeffizient der Entscheidungsvariablen 𝑗 ∈ 𝐽 ̅ bei Ziel 𝑘 ∈ 𝐾

Darstellung 49
𝑎 ≔ (scharfer) Koeffizient der Entscheidungsvariablen 𝑗 ∈ 𝐽 ̅ in Restriktion 𝑖 ∈ 𝐼 ̅
𝐵 ≔ (scharfe) Beschränkungsgröße für die linke Seite der Restriktion 𝑖 ∈ 𝐼 ̅
𝑥 ≔ Entscheidungsvariable 𝑗 ∈ 𝐽 ̅
Das klassische Vektoroptimierungsproblem [VOP] mit durchgängig scharfen Teilzielfunkti-

onen und scharfen Restriktionen lautet dann:
⎡ 𝑐 ∙𝑥 ⎤
⎢ ∈ ̅ ⎥
⎢ ⋮ ⎥ → max! (ZV. 1)
⎢ ⎥
⎢ 𝑐 ∙𝑥 ⎥
⎣ ∈ ̅ ⎦
u.d.N.:
𝑎 ∙ 𝑥 ≤ 𝐵 ∀ 𝑖 ∈ 𝐼̅ (R. 1)
∈ ̅
𝑥 ≥ 0 ∀𝑗 ∈ 𝐽 ̅ (R. 2)
[VOP] besteht, wie man unschwer erkennt, aus dem zu maximierenden Zielfunktionsvektor
(ZV.1), welcher sich aus 𝐾 zu maximierenden scharfen Teilzielfunktionen konstituiert, und
aus den scharfen Restriktionen (R. 1) sowie (R. 2).
Sei zudem
𝑋 ≔ 𝑥 │𝑗 ∈ 𝐽 ̅ die Menge der Entscheidungsvariablen
𝐗 ≔ 𝐱│𝐱 ist ein 𝐽-Tupel von Ausprägungen der Variablen 𝑥 ∈ 𝑋
𝑍(𝐗) ≔ 𝑧 (𝐱)│𝑘 ∈ 𝐾 ; 𝐱 ∈ 𝐗 die Menge der Ausprägungen der Teilzielfunktionen von

[VOP]
𝐱 ≔ 𝐱 ∈ 𝐗│ 𝑎 ∙ 𝑥 ≤ 𝐵 (𝑖 ∈ 𝐼 ̅ ); 𝑥 ≥ 0 (𝑗 ∈ 𝐽)̅ die Menge aller Lösungen, die dem

∈
Restriktionensystem von [VOP] genügen (also die Menge aller zulässigen Lösun-
gen)
dann kann die vollständige Lösung 𝑉, d.h. die Menge aller effizienten Lösungen von [VOP],
definiert werden als
𝑉 ∶= {𝐱 ∈ 𝐗 │∄ 𝐱 ∈ 𝐗 mit 𝑧 (𝐱), … , 𝑧 (𝐱) ≥ (𝑧 (𝐱), … , 𝑧 (𝐱)) und

𝑧 (𝐱) > 𝑧 (𝐱) für mindestens ein 𝑘}.
In 𝑉 darf nach dem sog. Dominanzprinzip somit kein 𝐱 enthalten sein, das die Lösungen 𝐱 ∈
𝐗 dominiert.
Sofern Teilzielfunktionen von (ZV. 1) konfliktär sind, muss man eine Kompromisslösung su-
chen. Dazu bringen wir nun die Theorie unscharfer Mengen ins Spiel, indem wir den von
Rommelfanger (1994, S. 207 ff.) formulierten Algorithmus MOLPAL (Multi Objective Linear
Programming based on Aspiration Levels) anwenden:
Für jede Ausprägung 𝑧 = 𝑧 (𝐱) der einzelnen Teilzielfunktionen 𝑘 = 1, … , 𝐾 wird eine Nut-
zenbewertung angestellt. Die jeweiligen Nutzenkalküle werden in unscharfe Mengen
𝑍 ∶= 𝑧 ; 𝜇 (𝑧 ) transformiert. Diese bringen die (unscharfe) Zufriedenheit und damit den
(unscharfen) Nutzen des Entscheiders damit zum Ausdruck, dass die 𝑘-te Teilzielfunktion
die Ausprägung 𝑧 aufweist. Bei Maximierungszielen kann die Bestimmung der unscharfen
Mengen wie folgt vorgenommen werden (wobei dies bei Minimierungszielen analog gilt):
Zuerst werden die Teilzielfunktionen isoliert und unter Beachtung des Restriktionenraums
von [VOP] extremiert. Dadurch erhält man für jedes Teilziel eine maximal mögliche Ausprä-
gung 𝑧̅ . Anschließend setzt man die bei der isolierten Betrachtung des 𝑘-ten Ziels ermittelte
Variablenkonstellation in die jeweils 𝐾 − 1 anderen Zielfunktionen ein und erhält somit für
jedes Teilziel eine untere Schranke 𝑧 , die freilich nicht größer sein kann als 𝑧̅ . Es gilt also
𝑧 ≤ 𝑧̅ . Die obere Schranke 𝑧̅ ist also der Wert der 𝑘-ten Zielfunktion bei Optimierung des
Problems ››max 𝑧 (𝐱)‹‹ mit der optimalen Lösung 𝐱 . Die untere Schranke ergibt sich dann
𝐱∈𝐗
durch entsprechendes Einsetzen aller anderen Lösungen in die 𝑘-te Zielfunktion und Mini-
mieren der resultierenden Werte, ergo aus min 𝑧 (𝐱 ), … , 𝑧 (𝐱 ), 𝑧 (𝐱 ), … , 𝑧 (𝐱 ).
Über die Relation 𝑧 ≤ 𝑧̅ (𝑘 = 1, … , 𝐾) kann auch leicht festgestellt werden, ob überhaupt

(mindestens) ein Zielkonflikt vorliegt und damit ein Kompromisssprogramm aufgestellt
werden muss. Ist bei allen Teilzielen 𝑧 = 𝑧̅ , dann kann kein Zielkonflikt vorliegen, so dass
die Notwendigkeit zur Kompromissfindung entfällt. Ist aber bei mindestens einem Teilziel
𝑘 𝑧 echt kleiner als 𝑧̅ , dann herrscht Zielkonflikt. Für die Nutzenbewertungen des Entschei-
ders können die Schranken 𝑧 und 𝑧̅ nun wie folgt verwendet werden: Da man die Ausprä-
gung 𝑧 auf jeden Fall, d.h. auch bei Verzicht auf Extremierung des 𝑘-ten Ziels, realisieren
kann, sollte dieser Ausprägung auch der geringste Nutzenwert beigemessen werden. Dem-
gegenüber ist den isolierten Optima 𝑧̅ (𝑘 = 1, … , 𝐾) jeweils der höchste Nutzenwert zuzu-
weisen. Da wir im vorliegenden Buch durchgängig sog. normalisierte und damit solche un-
scharfe Mengen verwenden, deren Zugehörigkeitswerte nicht kleiner als 0 und nicht größer
als 1 sein können, gilt für die Zugehörigkeitswerte von 𝑧 und 𝑧 :
𝜇 𝑧 = 0 und 𝜇 (𝑧̅ ) = 1
Der Entscheider ist aber selbstverständlich nicht gezwungen, allen Ausprägungen 𝑧 , die
größer als 𝑧 sind, positive Zugehörigkeitswerte und nur Ausprägungen, die mindestens so
groß sind wie 𝑧̅ , den Zugehörigkeitswert 1 zuzuordnen. Er hat freilich die Möglichkeit, nach
Maßgabe seines persönlichen Nutzenkalküls von den Schranken 𝑧 und 𝑧̅ abzuweichen und
die Werte 𝜇 (𝑤 − ∆ ) = 0 und 𝜇 (𝑤 ) = 1, mit 𝑧 ≤ 𝑤 − ∆ und 𝑧̅ ≥ 𝑤 , zu vergeben.
Darstellung 51
Des Weiteren handelt der Entscheider rational, wenn er seinen Nutzenkalkül dergestalt auf-
baut, dass die Zugehörigkeitsfunktion 𝜇 im Intervall [𝑤 − ∆ , 𝑤 ] monoton steigend ver-
läuft. Für die Festlegung des Funktionsverlaufes im Intervall ]𝑤 − ∆ , 𝑤 [ verbleiben ihm
jedoch sehr viele Freiheitsgrade. Ohne auf diese hier näher eingehen zu wollen, legen wir
fest, dass wir im vorliegenden Buch aus Vereinfachungsgründen durchgängig von linearen
Zugehörigkeitsfunktionen ausgehen (zu anderen Verläufen vgl. z.B. Spengler 1993, S. 37 ff.).
Bei (unscharfen) linearen Optimierungsproblemen ist immer der Gesamtnutzen der Prob-
lemlösung zu maximieren. Diesen bezeichnen wir mit 𝜋. Nach dem sog. Symmetrieprinzip
ergibt er sich als Durchschnitt aus (un)scharfen Zielen und (un)scharfen Restriktionen (vgl.
Bellman/Zadeh 1970). Hintergrund ist das Logische Und, das hier angewendet werden soll,
so dass sowohl die Zielerreichung als auch die Restriktionseinhaltung gewährleistet wird.
Die Theorie unscharfer Mengen hält verschiedene Aggregationsoperatoren für die Durch-
schnittbildung bereit. Ein häufig gewählter ist der sog. Minimumoperator, den wir auch hier
anwenden wollen. Damit lässt sich 𝜋 hier definieren als
𝜋(𝐱) = min(𝜇 (𝐱), … , 𝜇 (𝐱)) (D. 1)
Damit lautet das gesuchte Kompromissprogramm für [VOP] dann (vgl. Negoita/Sularia 1976
und Rommelfanger 1994):
𝜋 → max! (Z. 2)
u.d.N.:
𝜋 ≤ 𝜇 (𝐱) ∀ 𝑘 = 1, … , 𝐾 (R. 3)
𝜋≥0 (R. 4)
Bei (wie angenommen) linearem Verlauf der Zugehörigkeitsfunktionen über das Intervall
[𝑤 − ∆ , 𝑤 ] und bei zu maximierenden Zielfunktionen lauten die Definitionsgleichungen
für die Zugehörigkeitsfunktionen wie folgt:
0 für 𝑧 (𝐱) < 𝑤 − ∆

⎧
𝑧 (𝐱) − (𝑤 − ∆ )
𝜇 (𝐱) = für 𝑤 − ∆ ≤ 𝑧 (𝐱) < 𝑤 (D. 2)
⎨ ∆
⎩1 für 𝑤 < 𝑧 (𝐱)
mit 𝑤 − ∆ ≥ 𝑧 und 𝑤 ≤ 𝑧̅
Damit lässt sich Restriktion (R. 3) umformen zu bzw. ersetzen durch
∆ ∙𝜋− 𝑐 ∙ 𝑥 ≤ −( 𝑤 − ∆ ) ∀𝑘 ∈𝐾 (R. 5)
∈ ̅
Beispiel:
Wir wollen das geschilderte Vorgehen nun anhand eines von Leberling (1983) in leicht abge-
wandelter Form übernommenen Beispiels erläutern:
Ein Unternehmen muss im Rahmen der Produktionsprogrammplanung entscheiden, welche

Anzahl an Ultra HD Fernsehern und welche Anzahl an Tablet Computern in der kommen-
den Periode produziert werden soll. Die Produktion erfolgt in vier Abteilungen mit jeweils
beschränkten Kapazitäten:
Abteilung 1: In dieser Abteilung werden die Gehäuse für die Ultra HD Fernseher sowie für
die Tablet Computer produziert. Die Abteilung kann pro Periode insgesamt höchstens 1.000
Gehäuse für Fernseher oder Tablets herstellen.
Abteilung 2: In dieser Abteilung erfolgt die elektrische Installation der Produkte. Pro Periode
können höchstens 800 Ultra HD Fernseher oder 1.200 Tablet Computer oder eine entspre-
chende Kombination bearbeitet werden.
Abteilung 3: In dieser Abteilung wird die Endmontage der Fernseher durchgeführt. Die Ma-
ximalanzahl je Periode beträgt dabei 600 Geräte.
Abteilung 4: In dieser Abteilung wird die Endmontage der Tablets durchgeführt. Die Maxi-
malanzahl je Periode beträgt dabei 800 Geräte.
Für die Planung des entsprechenden Produktionsprogramms hat das Unternehmen zwei
Zielstellungen formuliert:
Aus betriebswirtschaftlicher Sicht verfolgt das Unternehmen das Ziel der Gewinnmaximie-
rung und rechnet aufgrund aktueller Prognosen mit einem Stückgewinn pro Ultra HD Fern-
seher von 100,- € und einem Stückgewinn pro Tablet Computer von 150,- €.
Auf Drängen des Betriebsrats möchte das Unternehmen zudem die Maximierung der Be-
schäftigung erreichen. Aufgrund der Erfahrungen aus vergangenen Produktionsperioden
weiß das Unternehmen, dass für die Herstellung von 10 Fernsehern bzw. 20 Tablets im
Durchschnitt eine Arbeitskraft benötigt wird.
Die bisherigen Analysen des Unternehmens haben ergeben, dass sich das gewinnoptimale
Produktionsprogramm bei Herstellung von 200 Fernsehern und 800 Tablets mit einem Ge-
winn von 140.000 € einstellt. Das beschäftigungsoptimale Produktionsprogramm würde hin-
gegen zu einer Produktion von 600 Fernsehern und 300 Tablets mit der Beschäftigung von
75 Arbeitskräften führen.
Wir verwenden nun folgende Symbole:
𝑘 = 1 ∶= Zielindex für die Gewinnmaximierung
𝑘 = 2 ∶= Zielindex für die Beschäftigungsmaximierung

Darstellung 53
𝑥 ∶= Anzahl zu produzierender Ultra HD Fernseher
𝑥 ∶= Anzahl zu produzierender Tablet Computer
Der gesuchte Vektoroptimierungsansatz mit den Zielen der Gewinnmaximierung und der
Beschäftigungsmaximierung lautet damit wie folgt:
Zielfunktionsvektor:
100 ∙ 𝑥 + 150 ∙ 𝑥
1 1 → max!
∙𝑥 + ∙𝑥
10 20
Restriktionen:
Abteilung 1: 𝑥 + 𝑥 ≤ 1.000
Abteilung 2: 3 ∙ 𝑥 + 2 ∙ 𝑥 ≤ 2.400
Abteilung 3: 𝑥 ≤ 600
Abteilung 4: 𝑥 ≤ 800
NNB: 𝑥 ,𝑥 ≥ 0
Als erstes bestimmt man nun die oberen Schranken 𝑧 und 𝑧 . 𝑧 ergibt sich durch Optimie-
rung der ersten Teilzielfunktion 𝑧 (𝑥 , 𝑥 ) = 100 ∙ 𝑥 + 150 ∙ 𝑥 → max! unter den Restriktio-
nen des Vektoroptimierungsmodells. Die korrespondierende Modellrechnung führt zu 𝑧 =
100 ∙ 200 + 150 ∙ 800 = 140.000. 𝑧 ergibt sich durch Optimierung der zweiten Teilzielfunk-
tion 𝑧 (𝑥 , 𝑥 ) = ∙ 𝑥 + ∙ 𝑥 → max! unter denselben Restriktionen.
Die Modellrechnung führt zu 𝑧 = ∙ 600 + ∙ 300 = 75.
Durch gegenseitiges Einsetzen ergeben sich sodann 𝑧 = 100 ∙ 600 + 150 ∙ 300 = 105.000 so-
wie 𝑧 = ∙ 200 + ∙ 800 = 60.
Wir wollen hier von 𝑤 − ∆ = 𝑧 = 105.000 und von 𝑤 − ∆ = 𝑧 = 60 ausgehen. Damit lau-
ten die Definitionsgleichungen für die beiden linearen Zugehörigkeitsfunktionen:
0 für 𝑧 (𝑥 , 𝑥 ) < 105.000

⎧
𝑧 (𝑥 , 𝑥 ) − 105.000
𝜇 (𝑥 , 𝑥 ) = für 105.000 ≤ 𝑧 (𝑥 , 𝑥 ) < 140.000
⎨ 35.000
⎩1 für 140.000 ≤ 𝑧 (𝑥 , 𝑥 )
0 für 𝑧 (𝑥 , 𝑥 ) < 60
⎧
𝑧 (𝑥 , 𝑥 ) − 60
𝜇 (𝑥 , 𝑥 ) = für 60 ≤ 𝑧 (𝑥 , 𝑥 ) < 75
⎨ 15
⎩1 für 75 ≤ 𝑧 (𝑥 , 𝑥 )
Das gesuchte Kompromissprogramm lautet dann wie folgt:

Zielfunktion:
𝜋 → max! (Z. 2)
u.d.N.:
35.000 ∙ 𝜋 − (100 ∙ 𝑥 + 150 ∙ 𝑥 ) ≤ −105.000
1 1
15 ∙ 𝜋 − ∙𝑥 + ∙𝑥 ≤ −60
10 20
𝑥 + 𝑥 ≤ 1.000
3 ∙ 𝑥 + 2 ∙ 𝑥 ≤ 2.400
𝑥 ≤ 600
𝑥 ≤ 800
𝜋, 𝑥 , 𝑥 ≥ 0
Im Optimum ergeben sich:
𝜋 = 0,6818
𝑥 = 409, 09
𝑥 = 586, 36
Das Kompromissniveau ist bei 𝜋 = 0,6818 relativ mittelmäßig ausgeprägt. Sollte der Ent-
scheider damit nicht hinreichend zufrieden sein, kann er sich überlegen, die Schranken für
die Zugehörigkeitswerte zu verändern.
6.2 Übungsaufgaben
Aufgabe 14
Was versteht man unter MADM- und was unter MODM-Ansätzen bei Mehrzielentschei-
dungsproblemen?
Aufgabe 15
a. Was versteht man unter einer mathematischen Funktion im Allgemeinen und unter ei-
ner Zugehörigkeitsfunktion im Besonderen?
b. Zeichnen Sie den Grafen der Zugehörigkeitsfunktion zum Beispiel auf S. 48 (motivierte
Mitarbeiter)! Was ist bei diesem zu beachten und inwiefern kann er verändert werden?
Übungsaufgaben 55
Aufgabe 16
Muss man die Formulierung von (ZV. 1) ändern, wenn eine oder mehrere der Teilzielfunkti-
onen zu minimieren ist bzw. sind?
Aufgabe 17
a. Erläutern Sie, was man unter dem Dominanzprinzip versteht!

b. Erläutern Sie folgende Definition von S. 49:
„Die vollständige Lösung 𝑉, d.h. die Menge aller effizienten Lösungen von [VOP], kann
definiert werden als

𝑧 (𝐱) > 𝑧 (𝐱) für mindestens ein 𝑘}
In 𝑉 darf nach dem sog. Dominanzprinzip somit kein 𝐱 enthalten sein, das die Lösungen
𝐱 ∈ 𝐗 dominiert.“
Aufgabe 18
Wie lauten die Definitionsgleichungen für die Zugehörigkeitsfunktionen, wenn in [VOP] (s.
S. 49 ff.) Minimierungsziele verfolgt werden?
Aufgabe 19
Zeigen Sie, wie man von (R. 3) zu (R. 5) kommt!
Aufgabe 20
Zeichnen Sie den (𝑥 , 𝑥 )-Lösungsraum für das Vektoroptimierungsproblem von S. 52 ff.!

7 Heuristische und optimierende
Ansätze der Personalplanung
7.1 Darstellung
Die Entscheidbarkeit von Personalplanungsproblemen hängt maßgeblich von den einsetzba-
ren bzw. eingesetzten Lösungsprozeduren ab (vgl. Adam 1996, S. 493 ff.). Damit verbunden
ist die Frage, auf welchem Niveau das Problem gelöst werden soll. Grundsätzlich wird man
bestrebt sein, die optimale Lösung zu finden. Es existieren jedoch auch Personalplanungs-
probleme, für die aufgrund ihrer Komplexität und Kompliziertheit keine beste Lösung im
Sinne des ökonomischen Minimal- oder Maximalprinzips abgeleitet werden kann, weil ent-
weder noch keine geeigneten Verfahren vorliegen oder ein unvertretbarer Aufwand zu be-
treiben wäre. In solchen Fällen ist es durchaus sinnvoll, lediglich suboptimale Lösungen zu
entwickeln, die zwischen dem Globaloptimum und einer zulässigen Ausgangslösung ange-
siedelt sind, oder sich gar nur mit letzterer begnügen.
Lösungsprozeduren, die (sofern ein solches überhaupt existiert) sicher zum Globaloptimum
führen, werden als (streng) optimierende Verfahren bezeichnet. Demgegenüber gelangt man
durch die Verwendung heuristischer Verfahren allenfalls zufällig zum Globaloptimum, ohne
jedoch Kenntnis von der Optimalität der Lösung zu erhalten (Neumann/Morlock 1993, S.
402). I.d.R. wird man durch den Einsatz von Heuristiken (zwar zulässige) jedoch subopti-
male Lösungen im Sinne eines Lokaloptimums, Partialoptimums oder eines verfahrensindu-
zierten Suboptimums erreichen. Auf die differenzierte Diskussion über Gegenstände und
Wirkungs- und Vorgehensweisen heuristischer Verfahren wollen wir hier nicht näher einge-
hen, sondern stattdessen auf die einschlägige Literatur verweisen (vgl. z.B. Zimmermann
2005 S. 271 ff.). Sie basieren jedenfalls vielfach auf relativ einfach gehaltenen (Faust-) Regeln,
wie z.B. der First in, first up-Regel bei Beförderungen, dem Last in, First out-Prinzip bei Ent-
lassungen oder den Maximen „Zu jedem Allokationsobjekt die beste Arbeitskraft“ (a) bzw.
„Jede Arbeitskraft zu dem Allokationsobjekt, für das sie am besten geeignet ist“ (b) bei Per-
sonalzuordnungsproblemen (vgl. Kossbiel 1988, S. 1112 f.). Die beiden letztgenannten wollen
wir nun anhand eines quadratischen Zuordnungsproblems erläutern, das nicht aus dem Be-
reich der kollektiven, sondern aus dem Bereich der individuellen Personalplanung stammt
und bei dem es darum geht, insgesamt 𝑅∗ individuelle Mitarbeiter (𝑟 ∗ = 1, … , 𝑅 ∗ ) zu insge-
samt 𝑄∗ einzelnen Allokationsobjekten (𝑞 ∗ = 1, … , 𝑄∗ ), wie z.B. Arbeitsplätzen, Stellen, Pro-
jekten, Niederlassungen o.ä. zuzuordnen. Dabei wird nach Maßgabe einer Zielgröße vorge-
gangen, die über Ausprägungen 𝑐 ∗ ∗ zu operationalisieren sind. 𝑐 ∗ ∗ besagt, wie stark das
in Rede stehende Zielkriterium bei einer Zuordnung von Mitarbeiter 𝑟 ∗ zu Allokationsobjekt
𝑞∗ ausgeprägt ist. Dabei sind entweder zu maximierende Größen, wie bei der Zuordnung
beispielsweise zu erwartende Erlöse, Produktivitätsausprägungen, Eignungsgrade oder Ver-
kaufsmengen, oder zu minimierende Kriterien, wie z.B. Kosten, Aufgabenerledigungszeiten,
Schulungsaufwendungen oder Verluste, mit denen man bei den jeweiligen Zuordnungen zu
https://doi.org/10.1007/978-3-658-25935-8_7
58 Heuristische und optimierende Ansätze der Personalplanung
rechnen hat.
Diese werden dann in einem Tableau der zuordnungsspezifischen Kriteriumsausprägungen

eingetragen (Tabelle 7.1):
Tabelle 7.1 Tableau der zuordnungsspezifischen Kriteriumsausprägungen
𝑞∗ = 1 𝑞∗ = 2 ⋯ 𝑞 ∗ = 𝑄∗
𝑟∗ = 1 𝑐 𝑐 ⋯ 𝑐 ∗
𝑟∗ = 2 𝑐 𝑐 ⋯ 𝑐 ∗
⋮ ⋮ ⋮ ⋮
𝑟 ∗ = 𝑅∗ 𝑐 ∗ 𝑐 ∗ ⋯ 𝑐 ∗ ∗
Zu (a): Bei der Maxime „Zu jedem Allokationsobjekt die beste Arbeitskraft“ kann man bei
der Verfolgung von Maximierungszielen wie folgt vorgehen (vgl. Kossbiel 1988, S. 1112):
1. Markiere (□) zunächst das maximale Element der Ausgangsmatrix und streiche alle
anderen Elemente der betreffenden Zeile und der betreffenden Spalte.
2. Markiere (□) dann das maximale Element der Restmatrix und streiche alle anderen
Elemente der betreffenden Zeile und der betreffenden Spalte.
3. Fahre analog fort bis die vollständige Zuordnung erreicht ist.

Bei Minimierungszielen ist es sinnvoll, folgende Schritte zu wählen:
1. Markiere (□) zunächst das minimale Element der Ausgangsmatrix und streiche alle
anderen Elemente der betreffenden Zeile und der betreffenden Spalte.
2. Markiere (□) dann das minimale Element der Restmatrix und streiche alle anderen
Elemente der betreffenden Zeile und der betreffenden Spalte.
Zu (b): Bei der Maxime „Jede Arbeitskraft zu dem Allokationsobjekt, für das sie am besten
geeignet ist“ kann man bei der Verfolgung von Maximierungszielen wie folgt vorgehen (vgl.
Kossbiel 1988, S. 1112 f.):
1. Bestimme über alle Zeilen der Ausgangsmatrix die maximale Differenz der Kriteri-
umsausprägungen. Sollte dieselbe Differenz in mehreren Zeilen vorkommen, dann
wähle willkürlich. Markiere (□) in der entsprechenden Zeile das maximale Element
und streiche alle anderen Elemente der betreffenden Zeile und der betreffenden
Spalte.
Darstellung 59
2. Bestimme über alle Zeilen der Restmatrix die maximale Differenz der Kriteriumsau-
sprägungen. Markiere (□) in der entsprechenden Zeile das maximale Element und
streiche alle anderen Elemente der betreffenden Zeile und der betreffenden Spalte.
Bei Minimierungszielen ist es sinnvoll, folgende Schritte zu wählen:
1. Bestimme über alle Zeilen der Ausgangsmatrix die maximale Differenz der Kriteri-
umsausprägungen. Sollte dieselbe Differenz in mehreren Zeilen vorkommen, dann
wähle willkürlich. Markiere (□) in der entsprechenden Zeile das minimale Element
und streiche alle anderen Elemente der betreffenden Zeile und der betreffenden
Spalte.
2. Bestimme über alle Zeilen der Restmatrix die maximale Differenz der Kriteriumsau-
sprägungen. Markiere (□) in der entsprechenden Zeile das minimale Element und
streiche alle anderen Elemente der betreffenden Zeile und der betreffenden Spalte.
Als problematisch erweisen sich diese beiden Heuristiken vor allem dann, wenn eine Ar-
beitskraft bei mehreren Allokationsobjekten die beste ist oder wenn mehrere Arbeitskräfte
bei einem Allokationsobjekt die besten sind. Wir wollen die beiden heuristischen Verfahren
nun anhand eines Beispiels erläutern.
Beispiel:
In einer Wirtschaftsprüfungsgesellschaft fallen separat durchzuführende Prüfvorgänge

sechs unterschiedlicher Arten (𝑞‘ = 1, 2, 3, 4, 5, 6) an. Für ein in Kürze bevorstehendes Pro-
jekt sollen nun sechs Wirtschaftsprüferassistenten (𝑟‘ = 1, 2, 3, 4, 5, 6) jeweils genau einem
dieser Prüfvorgänge zugeordnet werden. Aufgrund der unterschiedlichen Fähigkeiten und
Erfahrungen dieser Prüferassistenten variiert die Dauer der Durchführung der einzelnen
Prüfvorgänge. Tabelle 7.2 informiert über die durchschnittliche Durchführungsdauer (in
Stunden) für jeden der sechs Prüferassistenten bei der Erledigung des jeweiligen Prüfvor-
gangs.
Tabelle 7.2 Durchschnittliche Durchführungsdauer (in Stunden) für Prüferassistent

𝒓‘ bei Erledigung des Prüfvorgangs 𝑞‘
𝑞‘ = 1 𝑞‘ = 2 𝑞‘ = 3 𝑞‘ = 4 𝑞‘ = 5 𝑞‘ = 6
𝑟‘ = 1 58 58 49 55 41 45
𝑟‘ = 2 50 47 44 54 42 42
𝑟‘ = 3 56 52 50 50 41 44
𝑟‘ = 4 50 51 41 50 44 39
𝑟‘ = 5 55 51 47 48 37 43
𝑟‘ = 6 56 53 46 51 44 46
a. Ordnen Sie die Prüfer unter Anwendung des heuristischen Verfahrens „An jeden Platz
die beste Kraft!“ den einzelnen Prüfvorgängen so zu, dass die Gesamtzahl der benötig-
ten Stunden zur Durchführung der Prüfvorgänge möglichst gering wird!
Tabelle 7.3 Zulässige Zuordnung von Prüfern zu Prüfvorgängen bei Anwendung des
heuristischen Verfahrens „An jeden Platz die beste Kraft!“
𝑞‘ = 1 𝑞‘ = 2 𝑞‘ = 3 𝑞‘ = 4 𝑞‘ = 5 𝑞‘ = 6
𝑟‘ = 1 58 58 49 55 41 45
𝑟‘ = 2 50 47 44 54 42 42
𝑟‘ = 3 56 52 50 50 41 44
𝑟‘ = 4 50 51 41 50 44 39
𝑟‘ = 5 55 51 47 48 37 43
𝑟‘ = 6 56 53 46 51 44 46
Insgesamt werden bei dieser Lösung (Tabelle 7.3) 281 Stunden benötigt.
Darstellung 61
b. Ordnen Sie die Prüfer unter Anwendung des heuristischen Verfahrens „Jede Kraft an
den Platz, für den sie am besten geeignet ist!“ den einzelnen Prüfvorgängen so zu, dass
die Gesamtzahl der benötigten Stunden zur Durchführung der Prüfvorgänge möglichst
gering wird!
Tabelle 7.4 Zulässige Zuordnung von Prüfern zu Prüfvorgängen bei Anwendung des
heuristischen Verfahrens „Jede Kraft an den Platz, für den sie am bes-
ten geeignet ist!“
Zeilenmax.-
𝑞‘ = 1 𝑞‘ = 2 𝑞‘ = 3 𝑞‘ = 4 𝑞‘ = 5 𝑞‘ = 6
Zeilenmin.
𝑟‘ = 1 58 58 49 55 41 45 17 13 - - -
𝑟‘ = 2 50 47 44 54 42 42 12 12 10 7 -
𝑟‘ = 3 56 52 50 50 41 44 15 12 6 6 6
𝑟‘ = 4 50 51 41 50 44 39 12 12 10 - -
𝑟‘ = 5 55 51 47 48 37 43 18 - - - -
𝑟‘ = 6 56 53 46 51 44 46 12 10 10 5 5
Die Gesamtzahl der benötigten Stunden beträgt bei dieser Heuristik (Tabelle 7.4) 276.
Im Optimum hingegen ergibt sich ein Gesamtstundenbedarf in Höhe von 275 bei folgender
Zuordnung (Tabelle 7.5):
Tabelle 7.5 Optimallösung
𝑞‘ = 1 𝑞‘ = 2 𝑞‘ = 3 𝑞‘ = 4 𝑞‘ = 5 𝑞‘ = 6
𝑟‘ = 1 58 58 49 55 41 45
𝑟‘ = 2 50 47 44 54 42 42
𝑟‘ = 3 56 52 50 50 41 44
𝑟‘ = 4 50 51 41 50 44 39
𝑟‘ = 5 55 51 47 48 37 43
𝑟‘ = 6 56 53 46 51 44 46
Metaheuristiken sind zwar, das besagt ja die Bezeichnung, auch Heuristiken, sie sind aber
im Vergleich zu diesen elaborierter und leistungsfähiger. Die Vorsilbe „meta“ bedeutet je
nach Verwendung „davor“ oder „daneben“. Hier in diesem Kontext wird sie für solche Ver-
fahren verwendet, die der Entwicklung und Formulierung von in speziellen Entscheidungs-
situationen anzuwenden Heuristiken dienen. Zu ihnen zählen Verfahren der lokalen Suche
(engl. Local Search), bei denen sog. Nachbarschaften zu Ausgangs- und Zwischenlösungen
aufgesucht und bewertet werden (vgl. z.B. Schroll 2005, S. 141 ff., 2007, S. 257 ff. und Ruban
2008, S. 32 ff.). Die sog. General Descent-Methode (vgl. z.B. de Werra/Hertz 1989, Wäscher
1998, S. 1302 und Schroll 2007, S. 262) ist ein klassisches Local Search-Verfahren, bei dem
zwischenzeitliche Zielfunktionswertverschlechterungen unzulässig sind, das Verharren in
einem lokalen Optimum droht und die Final- abhängig von der Startlösung ist. Bei Moder-
nen Verfahren der lokalen Suche hingegen sind vorübergehende Zielfunktionswertver-
schlechterungen zum Zwecke des Überwindens lokaler Optima erlaubt und es herrscht weit-
gehende Unabhängigkeit von Start- und Finallösung. Zu diesen Verfahren gehören vor allem
das sog. Simulated Annealing (vgl. z.B. Dowsland 1993 und Aarts et al. 1997), das Threshold
Accepting (vgl. z.B. Dueck/Scheuer 1990), der Great Deluge-Algorithmus (vgl. z.B. Dueck
1993) und Verfahren der Tabu Search (vgl. z.B. Glover 1989, de Werra/Hertz 1989 und Wä-
scher 1998). Mit Anwendungen von Simulated Annealing und Tabu Search im Bereich der
Dienstplanung beschäftigt sich z.B. Alexandra Schroll in ihrer Dissertation (vgl. Schroll 2007,
S. 263 ff.).
Übungsaufgaben 63
7.2 Übungsaufgaben
Aufgabe 21
Der Geschäftsführer einer kleinen Reinigungskette betreibt sechs verschiedene Filialen

(𝐴, 𝐵, 𝐶, 𝐷, 𝐸 und 𝐹). Die Filialen befinden sich an unterschiedlichen Standorten in
Deutschland. Aufgrund des zunehmenden Zeitaufwandes möchte der Geschäftsführer für
jeden Standort jeweils einen Filialleiter berufen. Zur Auswahl stehen ihm sechs ausgebildete
Ökonomen (𝑟‘ = 1, … ,6), die dafür in Frage kommen. Aufgrund der unterschiedlichen
Fähigkeiten und Erfahrungen dieser sechs Personen variiert der mögliche generierbare
Jahresumsatz. Die nachstehende Tabelle 7.6 informiert über den durchschnittlichen
Jahresumsatz (in Tausend Geldeinheiten) für jeden der sechs Ökonomen bei der Zuordnung
zu einem der möglichen Standorte.
Tabelle 7.6 Durchschnittliche Jahresumsätze der Ökonomen (in Tausend Geldein-

heiten)
𝐴 𝐵 𝐶 𝐷 𝐸 𝐹
𝑟‘ = 1 140 159 138 131 132 158
𝑟‘ = 2 148 155 137 128 125 124
𝑟‘ = 3 154 139 141 135 131 130
𝑟‘ = 4 123 143 127 134 136 134
𝑟‘ = 5 121 143 160 121 154 123
𝑟‘ = 6 122 121 133 149 127 144
a. Ordnen Sie die Ökonomen unter Anwendung des heuristischen Verfahrens „An jeden
Platz die beste Kraft!“ den einzelnen Filialen so zu, dass der Gesamtjahresumsatz der
Reinigungskette möglichst hoch wird!
b. Ordnen Sie die Ökonomen unter Anwendung des heuristischen Verfahrens „Jede Kraft
an den Platz, für den sie am besten geeignet ist!“ den einzelnen Filialen so zu, dass der
Gesamtjahresumsatz der Reinigungskette möglichst hoch wird!
Aufgabe 22
Was versteht man im Kontext von Local Search-Verfahren unter Nachbarschaften und Nach-
barschaftslösungen? Wie lassen sich diese grundsätzlich erzeugen?
Aufgabe 23
Worin liegt der Unterschied zwischen klassischen und modernen Local Search-Verfahren?
Aufgabe 24
Um die Durchführung einer Nachbarschaftssuche näher zu beleuchten, wird an dieser Stelle

auf ein leicht abgewandeltes Beispiel aus der Dissertation von Alexandra Schroll (2007) zu-
rückgegriffen:
Ein Unternehmen hat die Möglichkeit, sieben verschiedene Investitionen (𝑖 = 1, … ,7) durch-
zuführen. Die durch die Investitionen generierten Kapitalwerte (𝐾𝑊 ) und verursachten Aus-
zahlungen (𝐾 ) sind in Tabelle 7.7 dargestellt. Das Unternehmen hat die Zielsetzung, den
generierbaren Gesamtkapitalwert aus den verschiedenen Investitionen zu maximieren. Das
Unternehmen muss sich entscheiden, ob eine Investition durchgeführt wird oder nicht
durchgeführt wird. Dementsprechend ist die Entscheidungsvariable eine Binärvariable mit
den Ausprägungen 0 und 1, wobei die Ausprägung 0 für „nicht durchführen“ und die 1 für
„durchführen“ steht. Dem Unternehmen steht allerdings nur ein begrenztes Budget i.H.v. 35
GE zur Durchführung der Investitionen zur Verfügung.
Tabelle 7.7 Investitionsalternativen
Alternative 𝑖 1 2 3 4 5 6 7
Kapitalwert 𝐾𝑊 10 33 34 17 31 26 35
Auszahlungen 𝐾 9 9 8 5 5 7 8
Es wird davon ausgegangen, dass eine Ausgangslösung die Durchführung der Investitionen
𝑖 = 1, 𝑖 = 2 und 𝑖 = 3 sowie die Nichtdurchführung von allen anderen Investitionen vorsieht.
Weiterhin wird davon ausgegangen, dass im Zuge der Ermittlung der Nachbarschaftslösun-
gen lediglich eine einzige Komponente verändert werden kann.
a. Untersuchen Sie die Ausgangslösung auf zulässige Nachbarschaftslösungen mit den ge-
gebenen Informationen!
b. Was wäre zu beachten, wenn das Budget lediglich 30 GE beträgt?
Aufgabe 25
In Aufgabe 24 wird ermittelt, dass 𝑣 = 7 der optimale Nachbar aus der betrachteten Aus-
gangssituation ist, also in Vektordarstellung: 𝑥 = (1,1,1,0,0,0,1). Führen Sie mittels Tabu Se-
arch das Suchverfahren fort! Beachten Sie dabei, dass weiterhin die Transformationsvor-
schrift gilt, dass lediglich eine Komponente verändert werden darf. Ermitteln Sie die opti-
male Lösung für dieses Optimierungsproblem!
Darstellung 65
8 Starre und flexible

Personalplanungsansätze
8.1 Darstellung
Die Differenzierung zwischen starren und flexiblen Planungsansätzen bezieht sich nicht auf
die Flexibilität des jeweils erzielten Planungsergebnisses, sondern auf die Flexibilität der Ent-
scheidungsprozedur; es handelt sich um Planungsmethoden (vgl. Inderfurth 1982). Die Me-
thodik der flexiblen Planung wurde für Planungssituationen mit zeitlich-vertikalen Interde-
pendenzen entwickelt, in denen zu Beginn des Planungszeitraums die Konsequenzen der
künftig zu treffenden Entscheidungen zwar nicht mit Sicherheit bekannt sind, aber Auswir-
kungen auf die Optimalität der Aktionenfolge entfalten. Das Ziel der flexiblen Planung liegt
somit in der Bestimmung eines optimalen Gesamtplans für sequentielle Entscheidungsprob-
leme.
Bei starrer Planung wird die gesamte Entscheidungssequenz bereits zu Beginn des Planungs-
zeitraums eindeutig festgelegt, so dass man bereits sehr frühzeitig Entscheidungen trifft, die
eigentlich erst später anstehen und die auch erst später getroffen werden sollten, nämlich
dann, wenn man den (dann) eingetretenen Umweltzustand kennt. Bei flexibler Planung hin-
gegen wird nur die in der ersten Periode zu realisierende Aktion eindeutig festgelegt, für die
Folgeperioden generiert man sog. Eventualpläne und kommt somit zu einem Planungser-
gebnis, das nicht schlechter sein kann (i.d.R. ist es besser) als das Ergebnis einer starren Pla-
nung. Flexible Planungsprobleme können mit Hilfe des sog. Roll-back-Verfahrens auf der
Basis von Entscheidungsbäumen, auf der Grundlage von Entscheidungsmatrizen oder durch
Formulierung gemischt-ganzzahliger mathematischer Optimierungsprogramme gelöst wer-
den (vgl. Laux 1971, Spengler 1999 und Reichling et al. 2008, S. 231 ff.).
Typische Anwendungssituationen für flexible Personalplanungsansätze sind z.B. die Fälle,

in denen die für die einzelnen Teilperioden des Planungszeitraums erwartete Nachfrage
nicht als Datum bekannt, sondern risikobehaftet ist und somit die optimale (zukünftige) Per-
sonalbereitstellung und -verwendung sowie das optimale (zukünftige) Produktionspro-
gramm nicht über alle Teilperioden zu Beginn des Planungszeitraums festgelegt werden soll-
ten, da man die tatsächliche Nachfrage erst in den jeweiligen Entscheidungszeitpunkten er-
fährt (vgl. Spengler 1998, S. 147 ff. und 1999, S. 148 ff.). Stellvertretend für flexible Optimie-
rungsmodelle in der kollektiven Personalplanung wollen wir nun ein einfaches Modell zur
simultanen Optimierung des Produktionsprogramms und der Personalbereitstellung formu-
lieren. Dabei gehen wir davon aus, dass (abgesehen von der ersten Teilperiode) im Planungs-
zeitraum die Nachfrage nach möglicherweise zum künftigen Produktionsprogramm des Be-
triebes zählenden Produkten riskikobehaftet ist. Dies bedeutet, dass die Nachfrage nach den
entsprechenden Gütern in der ersten Periode dem Entscheider mit Sicherheit bekannt ist und
https://doi.org/10.1007/978-3-658-25935-8_8
66 Starre und flexible Personalplanungsansätze
dieser sich über die Nachfrage in den Folgeperioden lediglich Wahrscheinlichkeitsurteile bil-
den kann. Die Zustandsfolgen und Eintrittswahrscheinlichkeiten lassen sich sinnfällig in ei-
nem sog. Zustandsbaum darstellen. In den Knoten des Baumes vermerkt man die jeweiligen
Umweltzustände (𝑧 = 1, … , 𝑍) und an den Kanten die Eintrittswahrscheinlichkeiten. Dabei
bezeichnet 𝑤 | die bedingte Wahrscheinlichkeit für den Eintritt des Umweltzustandes 𝑧
unter der Hypothese, dass in der unmittelbaren Vorperiode der Umweltzustand 𝑧 eingetre-
ten ist. Für einen Fall mit drei Teilperioden (𝑡 = 1, 2, 3), zu deren Beginn zwar jeweils genau
ein Umweltzustand eintreten wird, nun aber man den in 𝑡 = 1 eintretenden Umweltzustand
mit Sicherheit kennt und in 𝑡 = 2 zwei Umweltzustände sowie in 𝑡 = 3 vier Umweltzustände
in Betracht kommen, kann ein Zustandsbaum z.B. folgende Gestalt aufweisen (Abbildung
8.1):
Abbildung 8.1 Zustandsbaum
𝑤 4
|
2
𝑤 |
𝑤 |
5
1
𝑤 | 6
𝑤 |
𝑤 |
7
𝑡=1 𝑡=2 𝑡=3 𝑡
Dieser Zustandsbaum zeigt, dass in Periode 𝑡 = 1 mit Sicherheit Umweltzustand 𝑧 = 1 ein-

tritt. Zu Beginn von Periode 𝑡 = 2 tritt entweder mit der Wahrscheinlichkeit 𝑤 | Umweltzu-
stand 𝑧 = 2 oder mit der Wahrscheinlichkeit 𝑤 | Umweltzustand 𝑧 = 3 ein. Unter der Hy-
pothese, dass in 𝑡 = 2 Zustand 𝑧 = 2 eingetreten ist, tritt zu Beginn von 𝑡 = 3 entweder mit
der Wahrscheinlichkeit 𝑤 | Umweltzustand 𝑧 = 4 oder mit der Wahrscheinlichkeit 𝑤 | Um-
weltzustand 𝑧 = 5 ein. Unter der Hypothese, dass in 𝑡 = 2 Zustand 𝑧 = 3 eingetreten ist, tritt
Darstellung 67
zu Beginn von 𝑡 = 3 entweder mit der Wahrscheinlichkeit 𝑤 | Umweltzustand 𝑧 = 6 oder

mit der Wahrscheinlichkeit 𝑤 | Umweltzustand 𝑧 = 7 ein.
Wir definieren folgende Symbole:
Mengen
𝑍 ≔ {𝑧|𝑧 = 1, … , 𝑍; 𝑧 ist ein Umweltzustand}
𝑇 ≔ {𝑡|𝑡 = 1, … , 𝑇; 𝑡 ist eine Teilperiode des Planungszeitraumes und zugleich ein Ent-
scheidungszeitpunkt}
𝑍 ≔ {𝑧|𝑧 ist ein im letzten Entscheidungszeitpunkt eintretender Umweltzustand}
𝑍∗ ≔ {𝑧 ∗ |𝑧 ∗ ist ein Vorgängerzustand von 𝑧 ∈ 𝑍 oder 𝑧 selbst}
𝑧 ≔ ein direkter Vorgänger von Zustand 𝑧
𝑡 ≔ Zeitpunkt, zu dem Umweltzustand 𝑧 eintritt
𝑃 ≔ {𝑝|𝑝 = 1, … , 𝑃; 𝑝 ist eine Produktart}
𝑅 ≔ {𝑟|𝑟 = 1, … , 𝑅; 𝑟 ist eine Arbeitskräftekategorie}
𝑄 ≔ {𝑞|𝑞 = 1, … , 𝑄; 𝑞 ist eine Tätigkeitskategorie}
𝑅𝑞 ≔ {𝑟| Arbeitskräfte der Art 𝑟 ∈ 𝑅 können für die Erledigung von Tätigkeiten der Art
𝑞 ∈ 𝑄 bereitgestellt werden}
𝑄 ≔ {𝑞| für die Erledigung von Tätigkeiten der Art 𝑞 ∈ 𝑄 können Arbeitskräfte der Art
𝑟 ∈ 𝑅 verwendet werden}
ℕ ≔ Menge der natürlichen Zahlen einschließlich der 0
Daten
𝑤 | ≔ (bedingte) Wahrscheinlichkeit für den Eintritt des Umweltzustandes 𝑧 unter der Hy-
pothese, dass in der unmittelbaren Vorperiode der Umweltzustand 𝑧 eingetreten
ist
𝑤 ≔ (unbedingte) Wahrscheinlichkeit für den Eintritt des Umweltzustandes 𝑧 ∈ 𝑍
[𝑤 ergibt sich aus dem Produkt der bedingten Wahrscheinlichkeiten der betrachteten
Zustandsfolge, d.h. 𝑤 = 𝑤 ∗| ∗ ∀𝑧 ∈𝑍 ∧ 𝑤 = 1]
∗∈ ∗ ∈
𝐷𝐵𝑝𝑧 ≔ im Zustand 𝑧 pro erzeugter Einheit eines Produktes der Art 𝑝 erzielbarer Deckungs-
beitrag
𝑎𝑞𝑝 ≔ Personalbedarfskoeffizient (für die Erledigung von Tätigkeiten der Art 𝑞 zur Erzeu-
gung einer Einheit eines Gutes der Art 𝑝 benötigte Arbeitskräfteperioden)
𝐺𝐾 ≔ im Umweltzustand 𝑧 pro Arbeitskraft der Art 𝑟 zu zahlender Gehaltskostensatz
𝐻𝐾 ≔ im Umweltzustand 𝑧 pro einzustellender Arbeitskraft der Art 𝑟 zu zahlender Ein-

stellungskostensatz
𝐹𝐾 ≔ im Umweltzustand 𝑧 pro zu entlassender Arbeitskraft der Art 𝑟 zu zahlender Ent-

lassungskostensatz
𝑃𝐴 ≔ Anfangsausstattung mit Arbeitskräften der Art 𝑟 ∈ 𝑅
𝐻 ≔ Obergrenze für Einstellung von Arbeitskräften der Art 𝑟 im Umweltzustand 𝑧
𝐹 ≔ Obergrenze für Entlassungen von Arbeitskräften der Art 𝑟 im Umweltzustand 𝑧
𝑋 ≔ im Umweltzustand 𝑧 maximale Nachfrage nach Produkten der Art 𝑝
Entscheidungsvariable
𝑁𝐸 ≔ Nettoerfolg, der bei der zu Zustand 𝑧 ∈ 𝑍 führenden Zustandsfolge erzielt wird
𝑥 ≔ Anzahl der im Zustand 𝑧 herzustellenden Produkte der Art 𝑝
𝑃𝐴 ≔ Ausstattung mit Arbeitskräften der Art 𝑟 in Zustand 𝑧
ℎ ≔ Anzahl der in Zustand 𝑧 einzustellenden Arbeitskräfte der Art 𝑟
𝑓 ≔ Anzahl der in Zustand 𝑧 zu entlassenden Arbeitskräfte der Art 𝑟
Damit lautet der lineare Ansatz zur Optimierung des Produktionsprogramms und der Per-
sonalbereitstellung wie folgt:
Zielfunktion:
𝑤 ∙ 𝑁𝐸 → max! (Z. 3)
∈
[Lies: Maximiere den Erwartungswert des Nettoerfolges!]
u.d.N.:
Abstimmung von Personalbedarf und Personalausstattung:
𝑎 ∙𝑥 ≤ 𝑃𝐴 ∀ 𝑧 ∈ 𝑍, 𝑄 ∈ 𝕻(𝑄) ∖ {∅} (R. 6)

∈ ∈ r ∈ Rq
q∈Qˆ
[Es wird der implizite Ansatz der Personalplanung verwendet (s. Kap. 2.2.1.3). Auf der lin-
Darstellung 69
ken Seite werden restriktionsweise die Teilpersonalbedarfe und alle beliebigen Kombinatio-
nen der Teilpersonalbedarfe und auf der rechten Seite die korrespondierenden Personalaus-
stattungssummen notiert.]
Fortschreibung der Personalausstattung:
𝑃𝐴 = 𝑃𝐴 +ℎ −𝑓 ∀ 𝑧 ∈ 𝑍, 𝑟 ∈ 𝑅, mit 𝑃𝐴 als Datum (R. 7)
[Lies: Die (Personal-) Ausstattung mit Arbeitskräften der Art 𝑟 in Zustand 𝑧 ergibt sich aus
der Anfangsausstattung mit Arbeitskräften der Art 𝑟 in Zustand 𝑧 zuzüglich der in Zustand
𝑧 einzustellenden und abzüglich der in diesem Zustand zu entlassenden Arbeitskräfte der
Art 𝑟.]
Obergrenzen für Einstellungen:
ℎ ≤𝐻 ∀ 𝑧 ∈ 𝑍, 𝑟 ∈ 𝑅 (R. 8)
[Lies: Es können in Zustand 𝑧 nicht mehr Arbeitskräfte der Art 𝑟 eingestellt werden als man
vom Markt maximal rekrutieren kann.]
Obergrenzen für Entlassungen:
𝑓 ≤𝐹 ∀ 𝑧 ∈ 𝑍, 𝑟 ∈ 𝑅 (R. 9)
[Lies: Es können in Zustand 𝑧 nicht mehr Arbeitskräfte der Art 𝑟 entlassen werden als maxi-
mal an den Markt abgegeben werden dürfen.]
Absatzrestriktion:
𝑥 ≤𝑋 ∀ 𝑝 ∈ 𝑃, 𝑧 ∈ 𝑍 (R. 10)
[Lies: Die maximale Nachfrage nach Produkten der Art 𝑝 in Zustand 𝑧 beschränkt die ent-
sprechende Produktionsmenge nach oben.]
Nettoerfolgsdefinition:
𝑁𝐸 = 𝐷𝐵 ∗ ∙𝑥 ∗ − (𝐺𝐾 ∗ ∙ 𝑃𝐴 ∗ + 𝐻𝐾 ∗ ∙ℎ ∗ + 𝐹𝐾 ∗ ∙ 𝑓 ∗ ) ∀ 𝑧 ∈ 𝑍 (R. 11)

∈ ∗
∈ ∈
[Lies: Der Nettoerfolg einer Zustandsfolge ergibt sich aus dem Gesamtdeckungsbeitrag die-
ser Folge abzüglich der erforderlichen Gehalts-, Einstellungs- und Entlassungskosten.]
Nichtnegativitäts- und Ganzzahligkeitsbedingungen:
𝑁𝐸 , 𝑃𝐴 , ℎ , 𝑓 ≥ 0 ∀ relevanten 𝑧 ∈ 𝑍, 𝑝 ∈ 𝑃, 𝑟 ∈ 𝑅 (R. 12a)
[Lies: Keine der Entscheidungsvariablen 𝑁𝐸 , 𝑃𝐴 , ℎ und 𝑓 darf negativ werden.]

𝑥 ∈ℕ ∀ 𝑧 ∈ 𝑍, 𝑝 ∈ 𝑃 (R. 12b)
[Lies: Die Entscheidungsvariablen 𝑥𝑝𝑧 dürfen nicht negativ werden und müssen ganzzahlig
sein.]
Das oben formulierte Modell basiert (u.a.) auf der Prämisse einer durchgängig ausreichenden
Produktionskapazität und der Nichtberücksichtigung von Anlagenverkäufen. Dadurch
kann von der Integration einer (Re-) Investitionsplanung und von Zinsüberlegungen abge-
sehen werden. Des Weiteren wird unterstellt, dass die Produkte nach ihrer Erzeugung un-
mittelbar verkauft und Produktionsfaktoren just in time beschafft werden. Dadurch kann
man auf die Berücksichtigung von Lagerhaltungsproblemen verzichten. Zudem wird im
Rahmen des Modells davon ausgegangen, dass Fluktuation und Absentismus der Arbeits-
kräfte und Personalentwicklungsfragen unberücksichtigt bleiben können. Auch geht man
davon aus, dass alle Größen scharf und die erforderlichen Wahrscheinlichkeitsurteile klas-
sisch sind (zu nicht-klassischen Wahrscheinlichkeitsurteilen s. S. 97 ff.). Darüber hinaus wird
Risikoneutralität des Entscheiders unterstellt, so dass die Maximierung des Erwartungswer-
tes des Nettoerfolges ein sinnvolles (und mit dem sog. Bernoulli-Prinzip kompatibles) Ziel
darstellt. Es lässt sich relativ schnell zeigen, dass die aufgeführten (impliziten) Modellprä-
missen leicht variiert bzw. aufgelöst werden können. Dadurch wird das Modell (geringfügig)
komplexer aber nicht wesentlich komplizierter und in seiner grundsätzlichen Lösbarkeit
nicht eingeschränkt.
Entscheidungsprobleme können nach dem Prinzip der flexiblen Planung auf Basis eines Ent-
scheidungsbaumes – und zwar mittels des sog. Roll Back-Verfahrens (a) oder mittels einer
Entscheidungsmatrix (b) – oder auf Basis eines Zustandsbaumes mittels eines linearen oder
eines gemischt-ganzzahligen mathematischen Programms (c) gelöst werden. Die Lösungsal-
ternativen (a) und (b) sind ausschließlich für Entscheidungsprobleme mit diskreten Alterna-
tivenräumen geeignet. Sofern (ausschließlich oder auch) stetige Entscheidungsvariablen zu
berücksichtigen sind, scheiden diese beiden Möglichkeiten aus und man ist auf Lösungsal-
ternative (c) angewiesen. Letzteres Erfordernis liegt auch beim obigen Modellkonstrukt vor,
da zumindest die Variablen 𝑁𝐸 stetig sind.
Das Verfahren der Flexiblen Planung stößt in der Literatur bisweilen auf die Kritik, die vor
allem bezüglich der erforderlichen Modell- und Prozedurenkomplexität sowie hinsichtlich
korrespondierender Prognoseerfordernisse geäußert wird. Wir halten diese Kritik jedoch
nicht für schlagend und wollen sie deshalb hier nicht weiter diskutieren (vgl. Spengler 1999,
S. 82 ff.).
8.2 Übungsaufgaben
Aufgabe 26
Zur Erläuterung des Prinzips der flexiblen Planung betrachten wir ein von Laux 1982 (S. 263
Übungsaufgaben 71
ff.) übernommenes und leicht abgeändertes Beispiel (Spengler 1999, S. 78 ff.). Die Entschei-
dungssituation wird folgendermaßen beschrieben:
Sie sind der Abteilungsleiter in einem Unternehmen, das Motorräder herstellt. In Ihrer Ab-
teilung des Unternehmens werden die Motoren für diese Motorräder produziert. Sie planen
für einen Zeitraum von drei Monaten. Der Beginn eines Monats wird mit 𝑡 bezeichnet, resul-
tiert somit in 𝑡 = 1, 𝑡 = 2 sowie 𝑡 = 3. Zum Beginn eines jeden Monats müssen Sie entschei-
den, ob Sie einen Auftrag annehmen und ob Sie Sachinvestitionen in Form von Maschinen-
beschaffung tätigen. Für jeden herzustellenden Motor benötigen Sie genau eine Maschine,
die diese Aufgabe übernehmen kann. Da Ihre bisherigen Produktionsmaschinen in der ver-
gangenen Periode verschlissen sind, verfügen Sie zu Beginn des Monats 𝑡 = 1 über keine
Maschine.
Zu jedem Monatsbeginn können Sie Maschinen beschaffen, die auch über den gesamten Pla-
nungszeitraum von drei Monaten nutzbar sind. Danach sind Sie allerdings wertlos, da der
Verschleiß dieser Maschinen sehr hoch ist. Die Anschaffungskosten einer Maschine betragen
500 GE.
Die Motorräder aus Ihrem Unternehmen sind Unikate. Dementsprechend gibt es nur einen
sehr kleinen Kundenkreis, der diese Motorräder nachfragt. Aufgrund Ihrer Erfahrungen
können Sie abschätzen, ob in einem Monat ein oder zwei Aufträge für neue Motoren einge-
hen. Demnach können Sie der Auftragsentwicklung Wahrscheinlichkeitsurteile zuweisen.
Ein Auftrag kann immer nur zu Beginn eines Monats eingehen. Über dessen Annahme muss
sofort entschieden werden. Jeder Auftrag, der zu Beginn eines Monats angenommen wird,
wird auch in diesem Monat fertiggestellt, da die anderen Abteilungen Ihres Unternehmens
keinen Lieferaufschub dulden.
Für jeden Motor, den Sie in Ihrer Abteilung produziert haben, erzielen Sie einen Deckungs-
beitrag in Höhe von 300 GE. Zinsüberlegungen müssen Sie in Ihre Betrachtungen nicht mit
einfließen lassen.
Als Abteilungsleiter ist es Ihr Ziel, den Erwartungswert des Nettoerfolges in Ihrer Abteilung
zu maximieren.
Die Auftragsentwicklung, mit den zugehörigen bedingten Wahrscheinlichkeitsurteilen, ist in

dem nachfolgenden Zustandsbaum (vgl. Abbildung 8.2) dargestellt. In den Umweltzustän-
den 𝑧 = 2, 𝑧 = 4 und 𝑧 = 6 geht jeweils nur ein Auftrag für einen neuen Motor ein. In den
Zuständen 𝑧 = 1, 𝑧 = 3 und 𝑧 = 5 und 𝑧 = 7 gehen allerdings zwei Aufträge ein.
0,8
4
0,7 2
0,2 5
1
0,2
6
0,3
3
0,8 7
𝑡=1 𝑡=2 𝑡=3 𝑡
Erstellen Sie den optimalen flexiblen Plan
a. auf der Basis eines Entscheidungsbaums

b. auf der Grundlage einer Entscheidungsmatrix!
[Zur flexiblen Planung mittels eines gemischt-ganzzahligen mathematischen Programms
siehe Aufgabe 30.]
Aufgabe 27
Erläutern Sie den nachstehenden Ausdruck (s. S. 67)!
𝑤 = 𝑤 ∗| ∗ ∀𝑧 ∈𝑍 ∧ 𝑤 =1
∗∈ ∗ ∈
Aufgabe 28
Erläutern Sie, inwiefern auf der linken Seite der Restriktion (R. 6) restriktionsweise die Teil-
personalbedarfe und alle beliebigen Kombinationen der Teilpersonalbedarfe notiert werden!
Aufgabe 29
Erläutern Sie die Obergrenzen 𝐻 ,𝐹 und 𝑋 !
Aufgabe 30
Der Geschäftsführer eines Unternehmens muss Entscheidungen über ein optimales Produk-
tionsprogramm sowie über die optimale Personalausstattung seines Unternehmens treffen.
Übungsaufgaben 73
Hierbei möchte er einen mehrperiodigen Planungszeitraum (𝑡 = 1, 2, 3) betrachten. Auf-

grund seiner Erfahrungen weiß der Geschäftsführer, dass er eine ausreichende Produktions-
kapazität annehmen kann und muss dementsprechend diesbezüglich keine Restriktionen be-
rücksichtigen. Darüber hinaus weiß er auch, dass er die produzierten Produkte sofort abset-
zen kann (bis 𝑋 ) und demnach keine Lagerhaltung berücksichtigen muss.
Jedoch kennt der Geschäftsführer nicht die exakte Nachfrage nach seinen Produkten. Auf-
grund seiner Erfahrungen kann er allerdings ein exaktes Wahrscheinlichkeitsurteil über die
Nachfrageentwicklung abgeben.
Das Unternehmen verfügt zum Beginn der Planung bereits über eine Anfangsausstattung an
Arbeitskräften. Eine Schulung von Arbeitskräften, sowie Fluktuation und Absentismus sind
zu vernachlässigen. Allerdings kann der Geschäftsführer darüber entscheiden, ob er Mitar-
beiter entlässt oder neue Mitarbeiter einstellt. Die Einstellungen bzw. Entlassungen sind al-
lerdings nur bis zu einer Grenze 𝐻 bzw. 𝐹 zulässig. Zudem verursachen diese Ein-
stellungs- bzw. Entlassungskosten i.H.v. 𝐻𝐾 bzw. 𝐹𝐾 .
Der Geschäftsführer ist risikoneutral und orientiert sich bei seinen Handlungen am
Bernoulli-Prinzip. Da er gewinnorientiert handelt, möchte er den Erwartungswert des Net-
toerfolges maximieren.
Für die Herstellung von den zwei Produkttypen (𝑝 = 1, 2) fallen drei verschiedene Tätigkei-
ten (𝑞 = 1, 2, 3) an. Für die Durchführung der Tätigkeiten stehen dem Unternehmen vier Ar-
beitskräftekategorien (𝑟 = 1, 2, 3, 4) zur Verfügung.
Nachstehende Tabellen (vgl. Tabelle 8.1-Tabelle 8.4) informieren über die jeweiligen Ver-
wendungs- und Bereitstellungsmöglichkeiten, die maximale Absatzmenge, die qualifikati-
onsabhängigen Lohnsätze, die generierbaren Deckungsbeiträge, die Arbeitskoeffizienten so-
wie die Anfangsausstattungen der Arbeitskräftekategorien. Darüber hinaus sind die Einstel-
lungs- bzw. Entlassungsobergrenzen sowie die zugehörigen Kosten gegeben. Die Grenzen
sowie die Kosten schwanken nur zwischen den Arbeitskräftekategorien, nicht jedoch zwi-
schen den einzelnen eintretenden Zuständen.
Die generierbaren Deckungsbeiträge resultieren aus der Differenz der Erlöse für 𝑝 = 1 (bzw.
𝑝 = 2) i.H.v. 3.000 GE (bzw. 4.000 GE) abzgl. der variablen Kosten i.H.v. 2.000 GE (bzw. 2.000
GE).
Tabelle 8.1 Nachfragemengen für die Produkte 𝑝 im Zustand 𝑧
𝑧=1 𝑧=2 𝑧=3 𝑧=4 𝑧=5 𝑧=6 𝑧=7

𝑝=1 15 25 20 30 20 30 20 𝑋
𝑝=2 10 20 5 30 10 30 10
Tabelle 8.2 Deckungsbeiträge 𝐷𝐵 und Arbeitskoeffizienten 𝑎
𝑝=1 𝑝=2
𝑞=1 2 3
𝑎
𝑞=2 3 -
𝑞=3 - 2
𝐷𝐵 1.000 2.000
Tabelle 8.3 Gehaltskosten 𝐺𝐾 , Anfangsausstattungen 𝑃𝐴 und Bereitstellungs-

spektren
𝑟=1 𝑟=2 𝑟=3 𝑟=4

𝑞=1 × × × ×
𝑞=2 - × - ×
𝑞=3 - - × ×
𝐺𝐾 50 50 100 100
𝑃𝐴 50 50 15 10
Tabelle 8.4 Einstellungs- und Entlassungsobergrenzen und zugehörige Kosten
𝐻𝐾 𝐹𝐾 𝐻 𝐹
𝑟=1 20 10 10 5
𝑟=2 16 12 15 5
𝑟=3 15 20 8 5
𝑟=4 14 10 12 5
Übungsaufgaben 75
Darüber hinaus ist der nachfolgende Zustandsbaum gegeben (Abbildung 8.3), jeweils mit
den bedingten Wahrscheinlichkeiten versehen.
0,2
4
0,3 2
0,8 5
1
0,4
6
0,7
3
0,6 7
𝑡=1 𝑡=2 𝑡=3 𝑡
Die Nachfrage zum Zeitpunkt 𝑡 = 1 ist dem Geschäftsführer mit Sicherheit bekannt. Wäh-
rend in den Zustandsknoten 2, 4 und 6 eine hohe Nachfrage herrscht, ist die Nachfrage in
den Knoten 3, 5 und 7 gering. Die bedingten Eintrittswahrscheinlichkeiten der einzelnen Zu-
stände sind an den jeweiligen Kanten des Zustandsbaumes dargestellt.
a. Stellen Sie ein vollständiges Modell zur simultanen Produktions- und Personalpla-
nung auf!
b. Stellen Sie die Ergebnisse der flexiblen und diejenigen einer starren Planung gegen-
über!
9 Strategische, taktische und
operative Personalplanungen
9.1 Darstellung
Die Differenzierung in strategische, taktische und operative Personalplanungen orientiert
sich am sog. Freiheitsgradkonzept. Strategische Personalplanungen belassen danach die
meisten, taktische belassen mittelmäßige und operative die wenigsten Freiheitsgrade für an-
schließende Detailplanungen (vgl. Scholz 2000, S. 88 ff. und Zahn 1989, Sp. 1086 f.). Zu den
Planungen auf der untersten, nämlich der operativen, Ebene gehört u.a. die (kurzfristige)
Personaleinsatzplanung, vor allem im Bereich der Dienst- und Schichtplanung (s. Kap.
12.2.2). Auf der mittleren Ebene sind taktische Personalplanungen angesiedelt, zu denen bei-
spielsweise die Optimierung von Teamstrukturen zählen (vgl. Scholz 2000, S. 612 ff.). Takti-
sche und operative Personalplanungen basieren auf Strategien, zu deren rationalen Entwick-
lung und Auswahl sich ebenfalls ein modellbasiertes Vorgehen empfiehlt. Darauf soll nun
ausführlicher eingegangen werden.
Unter Strategien verstehen wir Bündel abstrakter Maßnahmen, die (wie oben bereits gesagt)
Freiheitsgrade für in späteren Zeitpunkten zu konkretisierende Maßnahmen belassen, an
globalen Orientierungsmustern ausgerichtet sind und wesentliche Relevanz für die Weiter-
entwicklung des Systems aufweisen, für das sie konzipiert werden. Das Ziel der strategi-
schen Personalplanung liegt damit in der Generierung, Bewertung und Auswahl von Perso-
nalstrategien, mithin in deren planerischer Bewältigung (vgl. zu Einzelheiten Spengler 1999,
S. 63 ff. und Greubel 2007, S. 21 ff.).
Die genannte Systemrelevanz von Strategien bedeutet, dass Strategien der Genese und Nut-
zung bedeutsamer Chancen oder dem Schutz vor weitreichenden Bedrohungen dienen.
Maßnahmenbündel, die keine herausragenden (nachhaltigen) Wirkungen auf den langfristi-
gen Systemerfolg aufweisen, fallen nicht unter den Strategiebegriff. Ob die Erfolgswirkun-
gen auch faktisch eintreten, ist unerheblich, sie müssen lediglich im Zeitpunkt der Strategie-
formulierung prognostiziert werden. Strategien können im Übrigen auch sehr kurzfristig ge-
plant werden. Das Charakteristikum der Langfristigkeit bezieht sich nicht auf den Planungs-
zeitraum, sondern auf die Erfolgswirkung.
Dass Strategien Bündel abstrakter Maßnahmen darstellen, bedeutet, dass sie erst durch An-
wendung in konkreten Einzelmaßnahmen münden, solche aber nicht sind. Sie beschreiben
eine Richtung, in die sich das System, für das die Strategie entwickelt wird, bewegen soll und
spannen damit einen Raum von Handlungsmöglichkeiten auf, aus denen sin späteren Zeit-
punkten (sic!) eine (möglichst) rationale Auswahl zu treffen ist. Dieser Handlungsraum ist
somit offen für spätere Konkretisierungen, Variationen und Erweiterungen und insofern fle-
xibel zu gestalten, er ist aber auch abgegrenzt gegenüber anderen Handlungsoptionen, die
https://doi.org/10.1007/978-3-658-25935-8_9
78 Strategische, taktische und operative Personalplanungen
als unzulässig gelten. Die Charakterisierung von Strategien als Bündel abstrakter Maßnah-
men verdeutlicht zudem die Besonderheit strategischen Denkens im Vergleich zu taktischem
Denken: Taktisches Denken ist ein Denken entlang des Zeitstrahls, das eher progressiv an-
gelegt ist, während man bei strategischem Denken gewissermaßen rekursiv vorgeht. Strate-
gische Planungen beginnen mit einem (als sinnvoll erachteten) Zielzustand, für dessen Er-
reichung man Strategien im Sinne relativ abstrakter Maßnahmenkomplexe entwickelt.
Die Kennzeichnung von Strategien als Bündel abstrakter, Freiheitsgrade belassender Maß-
nahmen bedeutet zudem, dass Entscheidungsmodelle der strategischen Planung nicht zu
den sog. Short Run- sondern zu den Long Run-Ansätzen zählen. Nach dieser in der anglo-
amerikanischen und auf Marshall zurückgehenden Unterscheidung (vgl. Opie 1931) werden
Modelle mit geringem (bzw. hohem) Anpassungsspielraum für unternehmerische Maßnah-
men als Short Run- (bzw. Long Run-) Ansätze bezeichnet (vgl. Lücke 1989, Sp. 540).
Konstitutives Merkmal des Maßnahmenbündels ist die Ausrichtung an globalen (ergo De-
tailorientierungen umfassenden bzw. umspannenden) Orientierungsmustern, die man auch
als Strategiebasen bezeichnet und die sich in ihrer Funktion als „Kriterien der Strategiebil-
dung“ (Kreikebaum 1991, S. 50) auf sehr unterschiedliche Objekte beziehen können. Hierzu
zählen u.a. betriebliche Funktionen und Objekte, organisationale Geltungsbereiche, Verän-
derungen von Objektausprägungen, Verhaltensweisen gegenüber Konkurrenten, Produkt-
und Marktentwicklungen sowie Möglichkeiten der Koalitionsbildung (vgl. Spengler 1999, S.
66). Personalstrategien können sich zudem an den Belangen des Betriebes oder an den Be-
langen der Mitarbeiter orientieren. Auf einer weiteren Differenzierungsstufe kann man Stra-
tegien bei einer Orientierung an den Belangen des Betriebes an dessen Erfordernissen und
oder an seinen Möglichkeiten festmachen. Orientiert man sich hingegen an den Belangen der
Mitarbeiter, dann können deren Bedürfnisse oder ihre Möglichkeiten als Fixpunkte der Stra-
tegieformulierung herangezogen werden. Diese Orientierungen können sowohl für Strate-
gien in Ansatz gebracht werden, die der Lösung von Verfügbarkeits- als auch für solche, die
der Lösung von Wirksamkeitsproblemen dienen. Wir wollen uns hier (siehe Tabelle 9.1) auf
die Betrachtung der Disponibilitätsthematik beschränken (zu Funktionalitätsstrategien vgl.
Spengler 1999, S. 70 ff.).
Bei den unter (a) aufgeführten Strategien geht man von einem gegebenen und bereits konkret
ermittelten Personalbedarf aus. Über dessen Bestimmungsgrößen (Determinanten) sind be-
reits alle betrieblichen Entscheidungen gefallen. Er ist somit bekannt und liegt in determinis-
tischer, stochastischer oder unscharfer Form vor. Zu entscheiden ist nun nicht mehr über den
Personalbedarf und dessen Ausprägung, sondern über seine Deckung. Dafür kommen dann
sog. Bereitstellungsstrategien in Betracht, im Zuge derer vor allem über die Personalstruktur
und deren Niveau entschieden wird. Bei den unter (b) rubrizierten Strategien, geht man wie-
derum davon aus, dass die Entscheidungen über den Personalbedarf bereit getroffen wur-
den. Als Referenzpunkte der Strategieableitung gilt hier aber weniger der Personalbedarf
sondern vielmehr der (betriebliche und überbetriebliche) Arbeitsmarkt und die mit ihm ver-
bunden Chancen für den Betrieb. Es geht mithin um die Frage, inwiefern sich Arbeitsmarkt-
chancen für betriebliche Zwecke (aus-) nutzen lassen. Bei im Zeitablauf schwankendem Per-
sonalbedarf und bei einer für den Betrieb günstigen Arbeitsmarktlage ist z.B. zu klären, ob
Darstellung 79
und inwiefern man Personalbedarf und -ausstattung synchronisieren und damit sog. Hiring-
Firing-Strategien realisieren kann.
Tabelle 9.1 Personalstrategietypen und globale Orientierungsmuster
Erfordernissen
(a) Deckung konkreter Personalbedarfe
Orientierung der Personal-
Belangen des Betriebes

des
strategien an den …
Betriebes Möglichkeiten des

(b) Nutzung von Arbeitsmarktchancen
Betriebes
Bedürfnissen der (c) Erhaltung/interne Besetzung von

Belangen Mitarbeiter Arbeitsplätzen
der
Mitarbeiter Möglichkeiten der (d) Ausschöpfung von Personal-
Mitarbeiter potenzialitäten
Differenziert man menschliche Bedürfnisse grob in Erhaltungs- und Entfaltungsbedürfnisse,

dann geht es unter (c) um die erstgenannte Kategorie und dabei vor allem um das Bedürfnis
nach Beschäftigungssicherheit der Mitarbeiter. Konkret sind hier Strategien zu wählen, die
die interne Besetzung (Stichwort z.B.: „Aufstieg vor Einstieg“) oder den Erhalt von Arbeits-
plätzen (Stichwort z.B.: „Personnel Pooling“) anstreben. Bei dem unter (d) aufgeführten Stra-
tegietypus bilden die qualifikatorischen Möglichkeiten der Mitarbeiter den Ausgangspunkt
der Strategieformulierung. Man analysiert dann diesbezüglich die bereits vorhandene Per-
sonalausstattung und formuliert Strategien zur Ausschöpfung der Personalpotenzialitäten.
Bei eher defensiver Vorgehensweise bleibt die Personalausstattung niveau- und strukturkon-
stant und man sucht nach geeigneten Möglichkeiten der Personalverwendung. Um ein eher
offensives Vorgehen handelt es sich bei Strategien der Personalentfaltung, bei denen die in
der Personalausstattung vorhandenen, bisher ungenutzten Möglichkeiten, durch Qualifizie-
rung entfaltet und anschließend über Reformulierungen des Produktionsprogramms ge-
nutzt werden.
Wir wollen nun ein Planungsmodell formulieren, das der Ableitung von Personalstrategien
dient, anhand derer die Lohn- und die Personalstruktur optimiert wird. Das Modell ist be-
wusst einfach gehalten und basiert auf folgenden Annahmen:
1. Alle Daten und Relationen liegen in scharfer und nicht-stochastischer Form vor.
2. Die Schulung, Versetzung und Beförderung von Personal werden nicht betrachtet.
3. Die Möglichkeiten der Personalrekrutierung werden maßgeblich von der gewährten
Entlohnung beeinflusst.
4. Es sind Entscheidungen zu treffen, in welchem Ausmaß Potenzial- und Anforde-
rungslöhne gezahlt werden sollen. Bei beiden Lohnformen stehen verschiedene
Lohnsätze zur Auswahl. Neben Personaleinsatz- sind weitere Entscheidungen über

die Einstellung, Freistellung und Entlassung von Arbeitskräften zu treffen.
5. Freigestellte Arbeitskräfte erhalten einen Grundlohn. Dieser ist bei Anforderungs-
löhnern abhängig von (bzw. bei Potenziallöhnern identisch mit) dem im Einsatzfall
gewährten Lohnsatz.
6. Die Unternehmung verfügt zu Beginn des Planungszeitraums über eine gegebene
Ausstattung mit Personal, die nur durch Einstellungen und Entlassungen verändert
werden kann. Fluktuation und Absentismus spielen keine Rolle.
Wir verwenden nun folgende Symbole:
Mengen
𝑇 ≔ {𝑡|𝑡 = 1, … , 𝑇; 𝑡 ist eine Teilperiode des Planungszeitraumes und zugleich ein Ent-
scheidungszeitpunkt}
𝑅 ≔ {𝑟|𝑟 = 1, … , 𝑅; 𝑟 ist eine Arbeitskräfteart}
𝑄 ≔ {𝑞|𝑞 = 1, … , 𝑄; 𝑞 ist eine Tätigkeitsart}
𝑅 ≔ {𝑟| Arbeitskräfte der Art 𝑟 ∈ 𝑅 können für die Erledigung von Tätigkeiten der Art
𝑞 ∈ 𝑄 bereitgestellt werden}
𝑄 ≔ {𝑞| für die Erledigung von Tätigkeiten der Art 𝑞 ∈ 𝑄 können Arbeitskräfte der Art
𝑟 ∈ 𝑅 verwendet werden}
𝐺 ≔ {𝑔|𝑔 = 1, … , 𝐺; 𝑔 ist ein Potenziallohnsatz}
𝐿 ≔ {𝑙|𝑙 = 1, … , 𝐿; 𝑙 ist ein Anforderungslohnsatz}
𝑁 ≔ {𝑛|𝑛 = 1, … , 𝑁; 𝑛 ist ein Lohnsatz für den Nichteinsatz von Arbeitskräften}
𝑁 ≔ {𝑛| Lohnsatz 𝑛 kann für freigestellte Arbeitskräfte gezahlt werden, die im Einsatz-
fall Lohnsatz 𝑙 erhalten}
𝐿 ≔ {𝑙| Anforderungslohnsatz 𝑙 kann für die Erledigung von Tätigkeiten der Art 𝑞 ge-
zahlt werden}
𝑄 ≔ {𝑞| für die Erledigung von Tätigkeiten der Art 𝑞 kann der Anforderungslohnsatz 𝑙
gezahlt werden}
𝐺 ≔ {𝑔| der Potenziallohnsatz 𝑔 kann Arbeitskräften der Art 𝑟 gezahlt werden}
𝐿 ≔ {𝑙| der Anforderungslohnsatz 𝑙 kann Arbeitskräften der Art 𝑟 gezahlt werden}

Darstellung 81
𝑅 ≔ {𝑟| Arbeitskräften der Art 𝑟 kann der Anforderungslohnsatz 𝑙 gezahlt werden}
𝑅 ≔ {𝑟| Arbeitskräften der Art 𝑟 kann der Potenziallohnsatz 𝑔 gezahlt werden}
Daten
𝐺𝐾𝐿 ≔ in Periode 𝑡 gültige Ausprägung des Anforderungslohnsatzes 𝑙 ∈ 𝐿
𝐺𝐾𝐺 ≔ in Periode 𝑡 gültige Ausprägung des Potenziallohnsatzes 𝑔 ∈ 𝐺
𝐺𝐾𝑁 ≔ in Periode 𝑡 gültige Ausprägung der Lohnsatzes 𝑛 ∈ 𝑁
𝐻𝐾 ≔ Rekrutierungskostensatz, der für eine in Periode 𝑡 einzustellende Arbeitskraft der

Art 𝑟 anfällt
𝐹𝐾 ≔ Entlassungskostensatz, der für eine in Periode 𝑡 zu entlassende Arbeitskraft der

Art 𝑟 anfällt
𝑃𝐵 ≔ Personalbedarf für die Erledigung von Tätigkeiten der Art 𝑞 in Periode 𝑡
𝑃𝐴𝐺 ≔ Anfangsausstattung mit Arbeitskräften der Art 𝑟 ∈ 𝑅
𝑃𝐴𝐿 ≔ Anfangsausstattung mit Arbeitskräften der Art 𝑟 ∈ 𝑅
𝐻𝐺 ≔ Obergrenzen für die Einstellung von Arbeitskräften der Art 𝑟 ∈ 𝑅 in Periode 𝑡
𝐻𝐿 ≔ Obergrenzen für die Einstellung von Arbeitskräften der Art 𝑟 ∈ 𝑅 in Periode 𝑡
𝐹𝐺 ≔ Obergrenzen für die Entlassung von Arbeitskräften der Art 𝑟 ∈ 𝑅 in Periode 𝑡
𝐹𝐿 ≔ Obergrenzen für die Entlassung von Arbeitskräften der Art 𝑟 ∈ 𝑅 in Periode 𝑡
𝑀 ≔ eine (hinreichend) große positive Zahl
𝑃𝐴𝐺 ≔ Ausstattung mit Arbeitskräften der Art 𝑟 ∈ 𝑅, die in Periode 𝑡 den Potenziallohn-
satz 𝑔 erhalten
𝑃𝐴𝐿 ≔ Ausstattung mit Arbeitskräften der Art 𝑟 ∈ 𝑅, die in Periode 𝑡 den Anforderungs-
lohnsatz 𝑙 erhalten
ℎ𝐺 ≔ Anzahl der in Periode 𝑡 einzustellenden Arbeitskräfte der Art 𝑟, die den

Potenziallohnsatz 𝑔 erhalten
ℎ𝐿 ≔ Anzahl der in Periode 𝑡 einzustellenden Arbeitskräfte der Art 𝑟, die den

Anforderungslohnsatz 𝑙 erhalten
𝑓𝐺 ≔ Anzahl der in Periode 𝑡 zu entlassenden Arbeitskräfte der Art 𝑟, die den Potenzi-
allohnsatz 𝑔 erhalten
𝑓𝐿 ≔ Anzahl der in Periode 𝑡 zu entlassenden Arbeitskräfte der Art 𝑟, die den Anforde-
rungslohnsatz 𝑙 erhalten
𝑃𝐸𝐿 ≔ Anzahl an Arbeitskräften der Art 𝑟, die in Periode 𝑡 für die Erledigung von Tätig-
keiten der Art 𝑞 eingesetzt werden und den Anforderungslohnsatz 𝑙 erhalten
𝑃𝐸𝐺 ≔ Anzahl an Arbeitskräften der Art 𝑟, die in Periode 𝑡 für die Erledigung von Tätig-
keiten der Art 𝑞 eingesetzt werden und den Potenziallohnsatz 𝑞 erhalten
𝑃𝐸𝑁 ≔ Anzahl an Arbeitskräften der Art 𝑟, die in Periode 𝑡 freigestellt werden und im
Einzelfall den Anforderungslohnsatz 𝑙 erhalten
𝑦 ,𝑦 ∗ ,𝑦 ∗ ≔ binäre Hilfsvariable
Bevor wir das strategische Optimierungsmodell formulieren, wollen wir zum besseren Ver-
ständnis der Ausführungen kurz auf die Genese der Lohnsatzspektren 𝐿 und 𝑅 eingehen:
Während die Menge der Potenziallohnsätze (𝐺) direkt mit der Menge der Arbeitskräftekate-
gorien (𝑅) über 𝐺 bzw. 𝑅 verbunden ist, erhält man die arbeitskräftebezogenen Spektren
der Anforderungslohnsätze (𝐿 ) wie folgt: Ausgangspunkt ist die Vorstellung, dass für die
Tätigkeitsarten 𝑞 jeweils diverse Lohnsätze 𝑙 gewährt werden können. Dies konkretisiert sich
in den Indexmengen 𝐿 bzw. 𝑄 . Daneben sind die Bereitstellungs- und Verwendungsspek-
tren (𝑅 und 𝑄 ) anzugeben. Über die Verbindung der vier zuletzt genannten Indexmengen
gelangt man dann zu den Spektren 𝐿 und 𝑅 . In Abbildung 9.1 wird das Vorgehen exemp-
larisch erläutert.
Darstellung 83
Abbildung 9.1 Beispiel für die Indexmengen 𝐿 , 𝑄 , 𝑅 , 𝑄 , 𝐿 und 𝑅
𝑞=1 𝑞=2 𝑞=3

𝑟=1 𝑟=2 𝑟=3 𝑟=4
𝑙=1 × - -
𝑞=1 × × - ×
𝑙=2 × × ×
𝑄 𝑞=2 - × × × 𝑅
𝑙=3 - × ×
𝑞=3 - - × ×
𝑙=4 - - ×
𝑄
𝐿
𝑟=1 𝑟=2 𝑟=3 𝑟=4
𝑙=1 × × - ×
𝑙=2 × × × ×
𝑅
𝑙=3 - × × ×
𝑙=4 - - × ×
Legende: „×“ (bzw. „-“) bedeutet, dass die entsprechende Zuordnung möglich (bzw.
nicht möglich) ist.
Damit lautet das hier aufzustellende Modell zur Optimierung von Personalbereitstellung
und Lohnstruktur wie folgt:
Zielfunktion:
𝐺𝐾𝐿 ∙ 𝑃𝐸𝐿 + 𝐺𝐾𝐺 ∙ 𝑃𝐴𝐺 + 𝐻𝐾 ∙ ℎ𝐺 + 𝐹𝐾 ∙ 𝑓𝐺 +

∈ ∈ ∈ ∈ ∈
+ (𝐻𝐾 ∙ ℎ𝐿 + 𝐹𝐾 ∙ 𝑓𝐿 + 𝐺𝐾𝑁 ∙ 𝑃𝐸𝑁 → min! (Z. 4)

∈ ∈
[Lies: Minimiere die Summe aller Lohn-, Einstellungs- und Entlassungskosten!]
u.d.N.:
Abstimmung von Personalbedarf und Personaleinsatz:
𝑃𝐵 = 𝑃𝐸𝐿 + 𝑃𝐸𝐺 ∀ 𝑡 ∈ 𝑇, 𝑞 ∈ 𝑄 (R. 13)

∈ ∈ ∈
[Lies: Jeder der tätigkeitsbezogenen Personalbedarfe ist in jeder Teilperiode durch den Ein-
satz geeigneter Arbeitskräfte, die entweder Anforderungs- oder Potenziallohn erhalten, zu
decken.]
Abstimmung von Personaleinsatz und Personalausstattung für Potenziallohnbezieher:
𝑃𝐸𝐺 ≤ 𝑃𝐴𝐺 ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅, 𝑔 ∈ 𝐺 (R. 14a)

∈
[Lies: Es können in keiner Teilperiode und von keiner (Potenziallohn erhaltenden) Arbeits-
kräfteart mehr Arbeitskräfte eingesetzt werden als zur Verfügung stehen.]
Abstimmung von Personaleinsatz und Personalausstattung für Anforderungslohnbezieher:
𝑃𝐸𝐿 + 𝑃𝐸𝑁 = 𝑃𝐴𝐿 ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅, 𝑙 ∈ 𝐿 (R. 14b)

∈ 
[Lies: Alle Arbeitskräfte jeder (Anforderungslohn erhaltenden) Arbeitskräfteart werden in

jeder Teilperiode entweder im Leistungsprozess eingesetzt oder freigestellt.]
Fortschreibung der Ausstattung mit Potenziallohn erhaltenden Arbeitskräften:

,
𝑃𝐴𝐺 = 𝑃𝐴𝐺 + ℎ𝐺 − 𝑓𝐺 mit 𝑃𝐴𝐺 als Datum und ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅, 𝑔 ∈ 𝐺 (R. 15a)
[Lies: Die Ausstattung mit Potenziallohn erhaltenden Arbeitskräften ergibt sich in jeder Teil-
periode aus der korrespondierenden Personalausstattung in der Vorperiode zuzüglich aller
entsprechenden Zugänge aus Einstellungen und abzüglich aller entsprechenden Abgänge
aus Entlassungen.]
Darstellung 85
Fortschreibung der Ausstattung mit Anforderungslohn erhaltenden Arbeitskräften:
𝑃𝐴𝐿 = 𝑃𝐴𝐿 , + ℎ𝐿 − 𝑓𝐿 mit 𝑃𝐴𝐿 als Datum und ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅, 𝑙 ∈ 𝐿 (R. 15b)
[Lies: Die Ausstattung mit Anforderungslohn erhaltenden Arbeitskräften ergibt sich in jeder
Teilperiode aus der korrespondierenden Personalausstattung in der Vorperiode zuzüglich
aller entsprechenden Zugänge aus Einstellungen und abzüglich aller entsprechenden Ab-
gänge aus Entlassungen.]
Ausschlussbedingungen für die Potenziallohnsätze:

∗
𝑃𝐴𝐺 ≤𝑦 ∗ ∙ 𝑀 ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅, 𝑔∗ ∈ 𝐺 (R. 16a)
[Lies: Wenn Arbeitskräfte der Art 𝑟 in Periode 𝑡 den Potenziallohnsatz 𝑔∗ erhalten sollen
∗
(𝑃𝐴𝐺 > 0), dann muss 𝑦 ∗ den Wert 1 (und ansonsten den Wert 0) annehmen.]
𝑃𝐴𝐺 ≤ 1−𝑦 ∗ ∙ 𝑀 ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅, 𝑔∗ ∈ 𝐺 (R. 16b)

∈ \{ ∗ }
[Lies: Jede Arbeitskräftekategorie kann – sofern überhaupt Potenziallohn gezahlt wird – nur
nach einem Potenziallohnsatz entlohnt werden. Wenn Arbeitskräfte der Art 𝑟 den Po-
∗
tenziallohnsatz 𝑔∗ erhalten sollen 𝑃𝐴𝐺 >0 ∧ 𝑦 ∗ = 1 , dann wird 𝑃𝐴𝐺 = 0. ]
∈ \{ ∗ }
Ausschlussbedingungen für die Anforderungslohnsätze:
∗
𝑃𝐴𝐿 ≤𝑦 ∗ ∙ 𝑀 ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅, 𝑙∗ ∈ 𝐿 (R. 17a)
[Lies: Wenn Arbeitskräfte der Art 𝑟 in Periode 𝑡 den Anforderungslohnsatz 𝑙∗ erhalten sollen
∗
(𝑃𝐴𝐿 > 0), dann muss 𝑦 ∗ den Wert 1 (und ansonsten den Wert 0) annehmen.]
𝑃𝐴𝐿 ≤ (1 − 𝑦 ∗ ) ∙ 𝑀 ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅, 𝑙∗ ∈ 𝐿 (R. 17b)

∈ \{ ∗}
[Lies: Jede Arbeitskräftekategorie kann – sofern überhaupt Anforderungslohn gezahlt wird

– nur nach einem Anforderungslohnsatz entlohnt werden. Wenn Arbeitskräfte der Art 𝑟
∗
den Anforderungslohnsatz 𝑙∗ erhalten sollen 𝑃𝐴𝐿 > 0 ∧ 𝑦 ∗ = 1 , dann wird
𝑃𝐴𝐿 = 0. ]
∈ \{ ∗ }
Ausschlussbedingungen für die Lohnformen:
𝑃𝐴𝐺 ≤ 𝑦 ⋅ 𝑀 ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅 (R. 18a)

∈
[Lies: Wenn Arbeitskräfte der Art 𝑟 in Periode 𝑡 Potenziallohn erhalten sollen
𝑃𝐴𝐺 > 0 , dann muss 𝑦 den Wert 1 annehmen.]

∈
𝑃𝐸𝐿 ≤ (1 − 𝑦 ) ∙ 𝑀 ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅 (R. 18b)

∈ ∈
[Lies: Alle Arbeitskräfte der Art 𝑟 erhalten entweder ausschließlich Potenziallohn
𝑦 =1∧ 𝑃𝐸𝐿 =0 oder ausschließlich Anforderungslohn

∈ ∈
𝑦 =0∧ 𝑃𝐸𝐿 > 0 .]

∈ ∈
Rekrutierungsobergrenzen für Potenziallohnempfänger:
ℎ𝐺 ≤ 𝐻𝐺 ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅, 𝑔 ∈ 𝐺 (R. 19a)
[Lies: Es können in Periode 𝑡 nicht mehr mit Lohnsatz 𝑔 bezahlte Arbeitskräfte der Art 𝑟
eingestellt werden als man vom Markt maximal rekrutieren kann.]
Rekrutierungsobergrenzen für Anforderungslohnempfänger:
ℎ𝐿 ≤ 𝐻𝐺 ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅, 𝑙 ∈ 𝐿 (R. 19b)
[Lies: Es können in Periode 𝑡 nicht mehr mit Lohnsatz 𝑙 bezahlte Arbeitskräfte der Art 𝑟 ein-
gestellt werden als man vom Markt maximal rekrutieren kann.]
Entlassungsobergrenzen für Potenziallohnempfänger:
𝑓𝐺 ≤ 𝐹𝐺 ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅, 𝑔 ∈ 𝐺 (R. 20a)
[Lies: Es können in Periode 𝑡 nicht mehr mit Lohnsatz 𝑔 bezahlte Arbeitskräfte der Art 𝑟
entlassen werden als maximal an den Markt abgegeben werden dürfen.]
Entlassungsobergrenzen für Anforderungslohnempfänger:
𝑓𝐿 ≤ 𝐹𝐺 ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅, 𝑙 ∈ 𝐿 (R. 20b)
[Lies: Es können in Periode 𝑡 nicht mehr mit Lohnsatz 𝑙 bezahlte Arbeitskräfte der Art 𝑟 ent-
lassen werden als maximal an den Markt abgegeben werden dürfen.]
Nichtnegativitäts- und Binaritätsbedingungen:
𝑃𝐴𝐿 , 𝑃𝐴𝐺 , ℎ𝐺 , 𝑓𝐺 , ℎ𝐿 , 𝑓𝐿 , 𝑃𝐸𝑁 ≥ 0 ∀ relevanten 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅, 𝑞 ∈ 𝑄, 𝑙 ∈ 𝐿, 𝑔 ∈ 𝐺

(R. 21a)
[Lies: Keine der aufgeführten Entscheidungsvariablen darf negativ werden.]

Übungsaufgaben 87
𝑦, 𝑦 ∗ ,𝑦 ∗ ∈ {0,1} ∀ 𝑟 ∈ 𝑅, 𝑔∗ ∈ 𝐺, 𝑙 ∗ ∈ 𝐿 (R. 21b)
[Lies: Alle aufgeführten Entscheidungsvariablen nehmen entweder den Wert 0 oder den
Wert 1 an.]
Das oben formulierte Strategieplanungsmodell zur Nutzung von Arbeitsmarktchancen lässt

sich folgender Kritik unterziehen: Es ist u.a. bewusst einfach gehalten, und zwar z.B.
dadurch, dass nur ein Szenario betrachtet und alle Daten in scharfer und deterministischer
Form in Ansatz gebracht werden. In vielen Fällen wird man jedoch nicht in der Lage sein,
(z.B.) die Rekrutierungspotenziale bei alternativen Lohnformen und Lohnsätzen in der Form
einwertiger Größen anzugeben. Durch eine Berücksichtigung unscharfer Rekrutierungspo-
tenziale, Personalkosten und -bedarfe lässt sich der Realitätsgehalt des Modells nicht uner-
heblich steigern (vgl. z.B. Spengler 1994). Dies gilt auch bei der Berücksichtigung mehrerer
stochastischer Szenarien. Zudem kann es durchaus sinnvoll sein, den Modelloutput nicht
starr, sondern flexibel zu planen (vgl. Spengler 1999, S. 136 ff).
Zusätzliche Erweiterungsmöglichkeiten bieten sich beispielsweise durch die Berücksichti-

gung alternativer Schulungs-, Versetzungs- und Beförderungsmöglichkeiten. Auch lässt sich
der Zusammenhang zwischen Arbeitskräfteproduktivität, Lohnform und Lohnsatz wesent-
lich differenzierter in Ansatz bringen. Des Weiteren kann es sinnvoll sein, Fluktuations- und
Absentismuseffekte der Personalentlohnung zu modellieren. Bei all diesen Variations- und
Erweiterungsmöglichkeiten ist jedoch – nicht zuletzt wegen der erforderlichen Ausschluss-
bedingungen und den korrespondierenden Ganzzahligkeitsrestriktionen sowie den resultie-
renden lösungsprozeduralen Problemen – darauf zu achten, dass die Modellgröße in einem
angemessenen Rahmen bleibt. In diesem Zusammenhang muss die Planungsinstanz Meta-
entscheidungen darüber treffen, wie viele Aspekte in das Modell einbezogen werden sollen
und auf welchem Wege Vereinfachungs- und Reduzierungseffekte erzielt werden können.
9.2 Übungsaufgaben
Aufgabe 31
Skizzieren Sie Differenzierungen von Strategien, die sich an betrieblichen Funktionen und
Objekten, organisationalen Geltungsbereichen, Veränderungen von Objektausprägungen,
Verhaltensweisen gegenüber Konkurrenten, Produkt- und Marktentwicklungen oder an
Möglichkeiten der Koalitionsbildung orientieren!
Aufgabe 32
Was bedeuten Niveau- und Strukturkonstanz einer Personalausstattung?
Aufgabe 33
Worin liegt der zentrale Unterschied zwischen Personalbereitstellungs- und Personalver-

wendungsstrategien?
Aufgabe 34
Sie sind der Leiter der Abteilung für Personalangelegenheiten in Ihrem Unternehmen. Ihnen
ist aufgefallen, dass die Personalstruktur in Ihrem Unternehmen nicht effizient ausgestaltet
ist. Deshalb wollen Sie diese Struktur nun optimieren. Sie können Ihren Mitarbeitern zwei
Arten von Löhnen gewähren, entweder Potenzial- oder Anforderungslöhne.
Sie müssen sich als Abteilungsleiter die Frage stellen, welche Mitarbeiterkategorien einen
Potenzial- und welche einen Anforderungslohn gezahlt bekommen. Darüber hinaus müssen
Sie Entscheidungen treffen, ob Sie neue Mitarbeiter in Ihre Personalausstattung aufnehmen
wollen und/oder ob Sie Mitarbeiter aus Ihrem Unternehmen entlassen wollen.
Weiterhin müssen Sie entscheiden, welche Mitarbeiter im Leistungsprozess eingesetzt wer-

den und welche nicht. Nichteingesetzte Mitarbeiter erhalten einen Grundlohn aufgrund ih-
rer Verfügbarkeit für das Unternehmen. Mitarbeiter, die Anforderungslohn beziehen, erhal-
ten diesen auch im Fall eines Nichteinsatzes für eine gewisse Tätigkeit. Potenziallohnemp-
fänger erhalten den gleichen Lohn als würden sie eingesetzt.
Aufgrund einer aktuell hohen Nachfrage nach Schulungsangeboten auf dem Markt stehen
Ihnen keine Schulungsmöglichkeiten zur Verfügung. Darüber hinaus können Sie sich stets
auf Ihre Mitarbeiter verlassen und müssen keinerlei Absentismus oder Fluktuation berück-
sichtigen.
Im Zuge der Produktion von Computern fallen drei verschiedene Tätigkeiten (𝑞 = 1,2,3) an:
𝑞 = 1 - Montage eines Computergehäuses
𝑞 = 2 - Verarbeitung der elektronischen Komponenten
𝑞 = 3 - Installation aller benötigten Softwarekomponenten
Für die Erledigung dieser Tätigkeiten stehen Ihnen vier verschiedene Arbeitskräftearten (𝑟 =
1,2,3,4) zur Verfügung:
𝑟 = 1 - Studentische Hilfskräfte aus dem Bereich der Wirtschaftswissenschaft
𝑟 = 2 - Studentische Hilfskräfte aus dem Bereich der Informatik
𝑟 = 3 - Fachinformatiker
𝑟 = 4 - Informatiker mit Master-Abschluss
Die nachfolgende Tabelle 9.2 gibt Aufschluss über die Bereitstellungs- und Verwendungs-
möglichkeiten:
Übungsaufgaben 89
Tabelle 9.2 Bereitstellungs- und Verwendungsmöglichkeiten
𝑟=1 𝑟=2 𝑟=3 𝑟=4

𝑞=1 × × - ×
𝑞=2 - × × ×
𝑞=3 - - × ×
Entsprechend der Unterscheidung zwischen Anforderungs- und Potenziallohn müssen Sie

entscheiden, welche Arbeitskräftekategorie welche Lohnart erhalten soll.
Nachfolgender Tabelle 9.3 können Sie entnehmen, welche Tätigkeiten mit welchem Anfor-
derungslohnsatz (𝑙) entlohnt werden können:
Tabelle 9.3 Zuordnung Anforderungslohnsätze und Tätigkeitsarten
𝑞=1 𝑞=2 𝑞=3

𝑙=1 2.000 - -
𝑙=2 4.000 4.000 4.000
𝑙=3 - 6.000 6.000
𝑙=4 - - 8.000
Je nach Arbeitskräfteart können Sie dieser auch einen Potenziallohn (𝑔) bezahlen. Welche
Arbeitskräfteart welchen Potenziallohnsatz erhalten kann, ist in nachfolgender Tabelle 9.4
abgetragen:
Tabelle 9.4 Zuordnung Potenziallohnsätze und Arbeitskräftearten
𝑟=1 𝑟=2 𝑟=3 𝑟=4

𝑔=1 1.000 1.000 - 1.000
𝑔=2 - 2.000 2.000 2.000
𝑔=3 - - 4.000 4.000
Für Ihren dreimonatigen Planungszeitraum haben Sie bereits die periodenweisen (𝑡 = 1,2,3)
Personalbedarfe (𝑃𝐵 ) ermittelt (vgl. Tabelle 9.5):
Tabelle 9.5 Personalbedarfe
𝑃𝐵 50 𝑃𝐵 40 𝑃𝐵 60
𝑃𝐵 60 𝑃𝐵 50 𝑃𝐵 70
𝑃𝐵 70 𝑃𝐵 60 𝑃𝐵 80
Aufgrund der aktuellen Arbeitsmarktsituation stehen Ihnen nur begrenzte Einstellungsmög-

lichkeiten an Potenziallohn- bzw. Anforderungslohnbeziehern (𝐻𝐺 bzw. 𝐻𝐿 ) zur Ver-
fügung. Aufgrund Ihrer internen hohen Vorgaben an Corporate Social Responsibility können
Sie auch nur begrenzt Mitarbeiter aus Ihrem Unternehmen entlassen (𝐹𝐺 bzw. 𝐹𝐿 ).
Die Einstellungs- bzw. Entlassungsobergrenzen sind für den dreimonatigen Planungshori-
zont und für Anforderungs- und Potenziallohnempfänger identisch (vgl. Tabelle 9.6):
Tabelle 9.6 Einstellungs- und Entlassungsobergrenzen
𝐻𝐺 10 𝐹𝐺 10 𝐻𝐿 10 𝐹𝐿 10
𝐻𝐺 10 𝐹𝐺 10 𝐻𝐿 10 𝐹𝐿 10
𝐻𝐺 10 𝐹𝐺 10 𝐻𝐿 10 𝐹𝐿 10
𝐻𝐺 10 𝐹𝐺 10 𝐻𝐿 10 𝐹𝐿 10
Weiterhin fallen für jede Entlassung Abfindungskosten i.H.v. 5.000 GE und für jede Einstel-
lung Kosten i.H.v. 4.000 GE an.
Aktuell verfügt Ihr Unternehmen über folgende Personalausstattung mit Potenzial- bzw. An-
forderungslohnbeziehern (𝑃𝐴𝐺 bzw. 𝑃𝐴𝐿 , vgl. Tabelle 9.7):
Tabelle 9.7 Personalanfangsausstattungen
𝑃𝐴𝐺 0 𝑃𝐴𝐿 0
𝑃𝐴𝐿 10
𝑃𝐴𝐿 10
𝑃𝐴𝐿 0
𝑃𝐴𝐿 0
Stellen Sie ein vollständiges Modell zur beschriebenen Problemstellung auf!

Vorbemerkungen und Überblick 91
10 Deterministische, stochastische
und unscharfe Ansätze der
Personalplanung
10.1 Vorbemerkungen und Überblick
10.1.1 Darstellung
Beim Treffen von Entscheidungen sind vom Entscheider die Zielfunktion und das Entschei-
dungsfeld festzulegen (vgl. z.B. Laux et al. 2014). Unter einer Zielfunktion verstehen wir die
funktionale Beschreibung (siehe Aufgabe und Lösung 35) des Zusammenhangs zwischen
den relevanten Zielgrößen, der Präferenzfunktion und dem jeweiligen Optimierungskrite-
rium. Die Menge der jeweils einschlägigen Handlungsalternativen, Umweltzustände (inkl.
Glaubwürdigkeitsurteilen) und Ergebnisse konstituieren das Entscheidungsfeld. Die Hand-
lungsalternativen sind die sich gegenseitig ausschließenden Handlungsmöglichkeiten, die
Umweltzustände sind Konstellationen entscheidungsrelevanter Daten, die Ergebnisse stel-
len Zielgrößenausprägungen dar und über Glaubwürdigkeitsurteile bringt der Entscheider
zum Ausdruck, inwieweit er vom künftigen Eintreten eines Umweltzustandes überzeugt ist
(vgl. z.B. Laux/Liermann 2005). Ein Entscheidungsproblem entscheidungsreif zu gestalten
erfordert somit, dass der Entscheider die Menge der Handlungsalternativen 𝐽 ≔ {𝑗|𝑗 =
1,2, … , 𝐽}, die Menge der Umweltzustände 𝑍 ≔ {𝑧|𝑧 = 1,2, … , 𝑍}, die Menge der Ergebnisse
𝐸 ≔ {𝑒𝑗𝑧 | 𝑗 ∈ 𝐽, 𝑧 ∈ 𝑍} und die Ergebnisfunktion 𝑒: 𝐽 × 𝑍 → 𝐸 operationalisiert. Im stochasti-
schen Fall – auf diesen und andere Fälle kommen wir unten noch intensiver zu sprechen –
wird zudem der aus 𝐽, einer geeigneten Sigma-Algebra (siehe unten) und einem Wahrschein-
lichkeitsmaß bestehende Wahrscheinlichkeitsraum benötigt. Mit diesen Angaben ist er dann
in der Lage eine Ergebnisnutzenfunktion 𝑣: 𝐸 → 𝑈 und eine Aktionennutzenfunktion 𝑣: 𝐽 →
𝑈 zu formulieren. Da man nicht Ergebnisse und deren Nutzen, sondern letztlich den Nutzen
von Handlungsalternativen optimieren möchte, ist dann diejenige Alternative 𝑗 ∈ 𝐽 auszu-
wählen, bei der die Aktionennutzenfunktion maximiert wird.
In deterministischen (Personal-) Planungsansätzen liegen spätestens im Zeitpunkt der Ent-

scheidung alle oben aufgeführten Größen eindeutig (Fremdwort: univok) vor. Man kennt
dann genau die Mengen der relevanten Handlungsalternativen, Umweltzustände und Er-
gebnisse, kann die Zukunft sicher prognostizieren und die Zielfunktion eindeutig formulie-
ren. In der Realität liegt der Fall der Univozität bei Licht betrachtet nie vor (z.B. ist der
Mensch nicht in der Lage, Zukunft sicher vorherzusagen), so dass man zumindest in Teilen
von mehrdeutigen (Fremdwort: ambiguosen) Entscheidungsfeldern und Zielfunktionen aus-
zugehen hat. Ambiguität (vgl. z.B. Metzger/Spengler 2019) kann sich in Entscheidungszu-
sammenhängen auf das künftige Eintreten von Ereignissen und auf die Ereignisse selbst be-
ziehen. Wenn der Eintritt von Ereignissen mehrdeutig ist, spricht man (a) von Fällen der
https://doi.org/10.1007/978-3-658-25935-8_10
92 Deterministische, stochastische und unscharfe Ansätze der Personalplanung
Unsicherheit, bei ambiguosen Ereignissen hingegen (b) von Situationen der Unschärfe (siehe
Abbildung 10.1):
Abbildung 10.1 Formen der Ambiguität
Ambiguität
Unsicherheit Unschärfe
Ungewissheit Risiko terminologische relationale
Zu (a): Bei mehrdeutigen Prognosen über den künftigen Eintritt von Ereignissen liegt Unsi-
cherheit vor, die sich in Situationen der Ungewissheit (synonym: Unsicherheit i.e.S.) und Ri-
sikosituationen unterscheiden lässt. Von Ungewissheit spricht man dann, wenn der Entschei-
der zwar weiß, dass einer von mehreren möglichen Umweltzuständen eintreten wird, er aber
nicht weiß, welcher. Zudem kann er sich über die Glaubwürdigkeit einer Prognose kein dif-
ferenziertes Urteil bilden (vgl. Knight 1921). So kann er z.B. keine Eintrittswahrscheinlichkei-
ten angeben. In Risikosituationen weiß er ebenfalls, dass einer von mehreren möglichen Um-
weltzuständen eintreten wird. Er ist darüber hinaus jedoch in der Lage, sich ein differenzier-
tes Urteil über die Eintrittswahrscheinlichkeiten zu bilden. Das Wahrscheinlichkeitsmaß ist
das präziseste zur Verfügung stehende Glaubwürdigkeitsmaß. Wahrscheinlichkeitsmaße ha-
ben (relativ engen) maßtheoretischen Anforderungen, den sog. – auf 𝜎-Algebren basieren-
den – Kolmogoroffschen Axiomen zu genügen (Spengler 1999, S. 87 ff.). Die letztgenannten
sind wie folgt definiert (vgl. z.B. Bauer 1992, S. 2 ff., Maibaum 1980, S. 30 ff. und Reinhardt/So-
eder 1987, S. 467), wobei 𝕻 wieder (s. Kap. 2.2.1.3) die Potenzmenge symbolisiert:
Definition 10.1:
Ein System 𝕱 ⊆ 𝕻() von Teilmengen einer klassischen Menge heißt 𝜎-Algebra auf
dem Ergebnisraum Θ (Menge aller möglichen Ergebnisse), wenn die folgenden Be-
dingungen erfüllt sind:
∅∈𝕱∧∈𝕱 (DW. 1)
[Lies: Das unmögliche Ereignis ∅ und das sichere Ereignis  gehören zur 𝜎-
Algebra.]
Vorbemerkungen und Überblick 93
𝐴∈𝕱⟹𝐴 ∈𝕱 (DW. 2)
[Lies: Wenn das Ereignis 𝐴 zur 𝜎-Algebra gehört, dann gehört auch das Gegenereig-
nis (Komplement) 𝐴 dazu.]
𝐴 ∈ 𝕱 (𝑜 ∈ 𝑂) ⟹ 𝐴 ∈ 𝕱 mit 𝑂 als höchstens abzählbare Indexmenge (DW. 3)

∈
[Lies: Wenn zur 𝐴 𝜎-Algebra gehört, dann zählen auch alle möglichen (korres-
pondierenden) Vereinigungen dazu.]
Die Kolmogoroffschen Axiome lauten damit wie folgt:
Definition 10.2:
Ein System 𝑃𝑟𝑜𝑏: 𝕱 → [0,1] heißt Wahrscheinlichkeitsmaß auf einer Ereignisalgebra 𝕱,
wenn die folgenden Bedingungen erfüllt sind:
𝐴 ∈ 𝕱 ⟹ 𝑃𝑟𝑜𝑏(𝐴) ≥ 0 (DW. 4)
[Lies: Wahrscheinlichkeiten können nicht negativ sein.]
𝑃𝑟𝑜𝑏() = 1 (DW. 5)
[Lies: Die Wahrscheinlichkeit des sicheren Ereignisses beträgt 1.]
𝐴 ,𝐴 ,… ∈ 𝕱 ∧ 𝐴  𝐴 = ∅ ∀𝑜 ≠ 𝑜 ⟹ 𝑃𝑟𝑜𝑏 𝐴 = 𝑃𝑟𝑜𝑏(𝐴 ) (DW. 6)
[Lies: Die Wahrscheinlichkeit der Vereinigung disjunkter Ereignisse ergibt sich aus
der Summe der Wahrscheinlichkeiten der Einzelereignisse.]
Daraus abgeleitet ergeben sich:

𝑃𝑟𝑜𝑏(𝐴 ) = 1 − 𝑃𝑟𝑜𝑏(𝐴) (DW. 7)
[Lies: Die Wahrscheinlichkeit des Gegenereignisses zu 𝐴 ergibt sich aus der Gegen-
wahrscheinlichkeit von 𝐴.]
𝑃𝑟𝑜𝑏(∅) = 0 (DW. 8)
[Lies: Die Wahrscheinlichkeit des unmöglichen Ereignisses ist Null.]
Wahrscheinlichkeiten, die den Bedingungen (DW. 1)-(DW. 8) genügen, nennen wir im vorlie-
genden Buch auch klassische, traditionelle oder Kolmogoroffsche Wahrscheinlichkeiten. Auf
exemplarische Erläuterungen der genannten Bedingungen gehen wir in Aufgabe 38 ein.
Zu (b): Eine (neben der Unsicherheit) weitere Spielart der Unbestimmtheit, bei der die die
benötigten Daten und Relationen nicht eindeutig (synonym: präzise, scharf), sondern ledig-
lich größenordnungsmäßig (synonym: vage, unscharf) angegeben werden können, ist die
sog. Unschärfe, die sich nicht auf das Eintreten von Ereignissen, sondern auf die Ereignisse
selbst bezieht. Je nachdem, ob dabei Begriffe (wie z.B. „geringe“ Personalkosten, „zufrieden-
stellende“ Arbeitsproduktivität, „ausreichendes“ Beschäftigungsniveau, „hohe“ Mitarbeiter-
motivation, „ziemlich“ faire Schichtverteilung etc.) oder Beziehungen zwischen Objekten
(wie z.B. 𝐴 ist „viel größer als“, „ungefähr gleich“, „unbedeutend kleiner als“ 𝐵) vage sind,
haben wir es mit terminologischer oder relationaler Unschärfe zu tun. Die sog. Theorie un-
scharfer Mengen (Fuzzy Set-Theory) bietet einen weiten Spielraum für den rationalen, ma-
thematisch präzisen Umgang mit solchen Phänomenen des Vagen. Grundgedanke dieser
Theorie ist das Aufweichen der klassischen (zweiwertigen) 0-1-Logik, nach der ein Element
eindeutig zu einer Menge gehört (Zugehörigkeitswert 1) oder eben nicht dazu gehört (Zuge-
hörigkeitswert 0). Bezeichnet man den Zugehörigkeitswert eines Elementes 𝑥 einer klassi-
schen Menge 𝑋 zu einer unscharfen Menge 𝑀 mit 𝜇 (𝑥), dann ist diese – wie bereits auf S.
48 – definiert als die folgende Menge geordneter Zweitupel:
𝑀 ≔ {(𝑥, 𝜇 (𝑥))|𝑥 ∈ 𝑋}, mit 𝜇 : 𝑋 → [0,1] (DF. 1)
Sei beispielsweise 𝑋 eine Menge von Personalbedarfsausprägungen (z.B. von 0 bis 200) und
𝑃𝐵 die (unscharfe) Menge der geringen Personalbedarfe, dann mag der Personalplaner z.B.
alle Personalbedarfe, die nicht größer als 20 sind, auf jeden Fall zur Menge der kleinen Per-
sonalbedarfe zählen (Zugehörigkeitswert 1), für alle, die größer als 50 sind, festlegen, dass
diese auf keinen Fall dazu zählen (Zugehörigkeitswert 0) und für alle dazwischenliegenden
Personalbedarfe Zugehörigkeitswerte zwischen 0 und 1 vergeben. Durch Anwendung der
Fuzzy Set-Theory gelingt es dann, mit solchen vagen Daten (und Relationen) präzise zu rech-
nen, beispielsweise den unscharfen Personalbedarf einer Abteilung 𝐴 und denjenigen der
Abteilung B zu addieren, Optimierungsmodelle zu formulieren etc. Obwohl die Notwendig-
keit der Verarbeitung ungenauer Größen für die Personalplanung weithin gefordert wird,
bekannt und akzeptiert ist (z.B. Krimmphore/Klemm-Box 1999), kann der Theorie unscharfer
Mengen bis dato (leider) noch kein allzu hoher Verbreitungsgrad in diesem Feld bescheinigt
werden.
Aufgabe 35
Erläutern Sie die Begriffe „Entscheidungsfeld“ und „Zielfunktion“!
Aufgabe 36
Begründen Sie, warum man sich mit Fällen der Univozität auseinandersetzen sollte, obwohl
in der Realität nur Ambiguität auftritt!
Aufgabe 37
Was versteht man unter einem Axiom?

Planungsmodelle 95
Aufgabe 38
Erläutern Sie die Bedingungen (DW. 1)-(DW. 8) anhand eines einfachen Beispiels!
Aufgabe 39
Begründen Sie, warum Entscheider häufig nicht in der Lage sind, traditionelle Wahrschein-
lichkeiten fundiert zu formulieren!
Aufgabe 40
Zeichnen Sie eine lineare Zugehörigkeitsfunktion für das Beispiel auf S. 94!
10.2 Planungsmodelle
10.2.1 Stochastische Planungsmodelle
10.2.1.1 Darstellung
Lässt man Unschärfesituationen außen vor, dann können grundsätzlich zwei Modelltypen
behandelt werden: Während deterministische Ansätze voraussetzen, dass nicht nur die Ziele
bzw. die Zielfunktion(en) sondern auch der Alternativen- und der Ergebnisraum vom Ent-
scheider exakt bestimmt werden können, und der eintretende Umweltzustand mit Sicherheit
bekannt ist, berücksichtigen stochastische Modelle Wahrscheinlichkeitsverteilungen über Er-
wartungsparameter (Stochastik: Kunst des Vermutens, Lehre vom Zufall). Da die meisten
der im vorliegenden Buch vorgestellten Modelle als lineare oder (gemischt-) ganzzahlige Op-
timierungsmodelle formuliert werden, sei nun kurz auf die Stochastische Lineare Program-
mierung (SLP) eingegangen:
𝐼 ≔ {𝑖|𝑖 = 1,2, … , 𝐼} Indizes zur Bezeichnung der Restriktionen
𝐽 ≔ {𝑗|𝑗 = 1,2, … , 𝐽} Indizes zur Bezeichnung der Entscheidungsvariablen
𝑐̂ ≔ stochastischer Zielfunktionskoeffizient der Entscheidungsvariablen 𝑗 ∈ 𝐽
𝑎 ≔ stochastischer Koeffizient der Entscheidungsvariablen 𝑗 ∈ 𝐽 in Restriktion 𝑖 ∈ 𝐼
𝐵 ≔ stochastische Beschränkungsgröße für die linke Seite der Restriktion 𝑖 ∈ 𝐼
𝑥 ≔ Entscheidungsvariable 𝑗 ∈ 𝐽
lautet das Grundmodell der SLP wie folgt:

Zielfunktion:
𝑐̂ ∙ 𝑥 → max oder min! (Z. 5)

∈
[Lies: Maximiere oder minimiere die Summe aller Produkte aus stochastischen Zielfunkti-
onskoeffizienten und Entscheidungsvariablen!]
u.d.N.:
𝑎 ∙𝑥 ≤ 𝐵 ∀𝑖 ∈𝐼 (R. 22)
∈
[Lies: Die Summe aller Produkte aus stochastischen Koeffizienten 𝑎 und Variablen 𝑥 darf
nicht größer werden als die stochastische Beschränkungsgröße 𝐵 . Dies gilt für alle Restrikti-
onen 𝑖 ∈ 𝐼. Die Nebenbedingungen können selbstverständlich auch als ≥-Restriktionen oder
=-Restriktionen formuliert werden.]
𝑥 ≥0 ∀𝑗 ∈𝐽 (R. 2)
Für den Fall präziser Wahrscheinlichkeit(sverteilung)en lassen sich die bekanntesten An-
sätze zur Lösung stochastischer Optimierungsmodelle in vier Klassen einteilen (vgl. Jarr
1978):
(a) Die Fat solution-Methode bestimmt die sog. „fette“, d.h. die bei jeder möglichen Realisa-
tion der Zufallsvariablen (im Restriktionenraum) zulässige Lösung. Für die Zielfunktion
hingegen werden Erwartungswerte in Ansatz gebracht. Dieses Verfahren ist somit nur
für diskrete Zufallsvariablen geeignet.
(b) Die auf Charnes/Cooper (1959) zurückgehenden Ansätze des Chance constrained-Pro-
gramming verwenden i.d.R. nicht-stochastische oder nicht mit Erwartungswerten be-
setzte Zielfunktionen. Für die stochastischen Restriktionen hingegen wird gefordert, dass
diese jeweils mit einer Mindestwahrscheinlichkeit eingehalten werden. Solche Modelle
sind vielfach äußerst schwer zu lösen oder weisen gar eine leere Lösungsmenge auf (Jarr,
1978, S. 48 f.): „Im allgemeinen Fall […] bildet der Bereich zulässiger Lösungen jedoch
nur bei ‚gutartigen‘ Wahrscheinlichkeiten […] und Verteilungsfunktionen […] eine kon-
vexe Menge. Daher existieren nur für bestimmte Problemtypen Lösungsalgorithmen, bei
denen z.T. auch neben dem Erwartungswert die Varianz oder die Fraktile der Verteilung
der Zielfunktionswerte zur Optimierung herangezogen werden.“
(c) Zwei-Stufen-Kompensationsmodelle verfolgen die Idee, dass man zunächst einmal auf
einer ersten Stufe „zulässige“ Lösungen generiert und diese dann, sofern sie sich später
doch als unzulässig erweisen sollten auf einer zweiten Stufe revidiert. Die auf der ersten
Stufe getroffenen Entscheidungen sollen durch „Nachbesserungen“ auf der zweiten Stufe
Planungsmodelle 97
kompensiert werden, wobei dann der Erwartungswert der Nachbesserungskosten o.ä.

als Optimierungskriterium in Betracht kommt.
(d) Die sog. Erwartungswertmodelle stellen die einfachste Methode zur Lösung stochasti-
scher Optimierungsprobleme dar. Da bei diesen lediglich die Erwartungswerte der Zu-
fallsvariablen in Ansatz gebracht werden, erhält man ein quasi-deterministisches Modell,
dessen Anwendung nur dann von Vorteil sein kann, wenn die Modelllösung entspre-
chend robust ist.
Diese vier Typen von Ansätzen, die z.B. zur Fluktuations-, zur Absentismus- und zur Perso-
nalbedarfsanalyse (bei der Springerplanung) eingesetzt werden (vgl. Jarr 1978, S. 65 ff.), ge-
hen von der Annahme aus, die Grundannahmen der Wahrscheinlichkeitstheorie und damit
die entsprechenden Präzisionsanforderungen an die Wahrscheinlichkeitsangaben seien er-
füllt. Mit (DW. 1)-(DW. 8) – nicht zuletzt mit der 𝜎-Additivitätsbedingung (Summennormie-
rungsbedingung) (DW. 6) – wird jedoch ein recht enger Restriktionenraum aufgespannt. In
vielen realen Fällen sind die Informationen des Entscheiders jedoch nicht hinreichend prä-
zise, um klassische Wahrscheinlichkeiten begründet anzugeben. Dies liegt nicht zuletzt an
den Schwierigkeiten der Aufstellung einer 𝜎-Algebra, z.B. bei langfristigen Prognosen in
komplexen Fällen der strategischen Personalplanung. Die klassische Wahrscheinlichkeits-
theorie ist axiomatisch fundiert und liefert, sofern ihre Anwendungsvoraussetzungen erfüllt
sind, die präzisesten Ergebnisse. Sie sollte jedoch, um Scheinpräzision und Fehlschlüsse zu
vermeiden, nicht angewendet werden, wenn (DW. 1)-(DW. 8) nicht erfüllt sind. Für solche
Fälle hat die Wissenschaft andere Unsicherheitsmaße entwickelt, die geringere maßtheoreti-
sche Anforderungen stellen und zum Teil auch auf die Einhaltung der Summennormierungs-
bedingung verzichten. Zu diesen zählen z.B. das Possibilitäts- (Possibilität: Möglichkeit) und
das Nezessitätsmaß (Nezessität: Notwendigkeit), das Glaubwürdigkeits- und das Plausibili-
tätsmaß sowie die sog. unteren und oberen Wahrscheinlichkeitsmaße i.S. der LPI-Theorie,
auf die wir unten näher eingehen wollen. Zu diesen und weiteren einschlägigen Maßen und
deren Abgrenzungen sowie Zusammenhänge vgl. Spengler (1999, S. 85 ff.), Metzger/Speng-
ler (2017), Metzger et al. (2018) sowie Metzger/Spengler (2019). Beachtet man
Definition 10.3:
Eine Funktion 𝑣: 𝕱 → [0, ∞], 𝕱 ⊆ 𝕻() heißt
additiv, wenn ∀ 𝐴, 𝐵 ⊆ 𝕱, 𝐴  𝐵 = ∅: 𝑣(𝐴  𝐵) = 𝑣(𝐴 ) + 𝑣(𝐵 ) (DW. 9)
subadditiv, wenn ∀ 𝐴, 𝐵 ⊆ 𝕱, 𝐴  𝐵 = ∅: 𝑣(𝐴  𝐵) ≤ 𝑣(𝐴 ) + 𝑣(𝐵 ) (DW. 10)
superadditiv, wenn ∀ 𝐴, 𝐵 ⊆ 𝕱, 𝐴  𝐵 = ∅: 𝑣(𝐴  𝐵) ≥ 𝑣(𝐴 ) + 𝑣(𝐵 ) (DW. 11)
dann geht es dabei vor allem um sub- und superadditive Maße.
Wir wollen nun (ausgewählt) auf untere und obere Wahrscheinlichkeiten aus dem Kranz
nicht-additiver Maße eingehen und zwar unter Rückgriff auf die sog. LPI-Theorie, die axio-
matisch fundiert ist und eine recht unkomplizierte Behandlung realer Phänomene gestattet.
Dabei ist LPI das Kürzel für Lineare Partielle Information. Partiell ist die Information hier
insofern, als man bei den in Rede stehenden Fällen weder sichere Erwartungen hat, noch zu
beurteilende Wahrscheinlichkeiten vollständig bzw. eindeutig angegeben kann. Sie wird zu-
dem als linear bezeichnet, da (wie man leicht zeigen kann) sog. LPI-Verteilungen als lineare
Ungleichungssysteme darstellbar sind (vgl. Spengler 1999, S. 92 ff.).
Die LPI-Theorie wurde maßgeblich von Menges und Kofler (vgl. Kofler/Menges 1976, Kofler
1989 und Kofler/Zweifel 1991) initiiert und dient der rationalen Formulierung und Verarbei-
tung von Intervallwahrscheinlichkeiten 𝑤𝑧 für Umweltzustände 𝑧 ∈ 𝑍 (mit 𝑍 ≔
{𝑧|𝑧 = 1,2, … , 𝑍} und 𝑤 ∈ [𝑤 , 𝑤 ]).
Wir bezeichnen nun mit 𝐰′ = (𝑤 , … , 𝑤 ) den transponierten Vektor einer Wahrscheinlich-

keitsverteilung 𝐰. Ein gleichseitiges Dreieck 𝐴𝐵𝐶 mit den die Einheitshöhe 1 aufweisenden
Mittelsenkrechten 𝐴𝐹, 𝐵𝐷 und 𝐶𝐸 bezeichnet man als baryzentrisches Dreieck, wobei für die
Eckpunkte 𝐴 = (0,1,0), 𝐵 = (0,0,1) und 𝐶 = (1,0,0) gilt. Durch die Summennormierungsvor-
schrift (DW. 6), nach der nur solche Verteilungen zulässig sind, bei denen sich die Einzel-
wahrscheinlichkeiten zu Eins addieren, lassen sich 𝐿𝑃𝐼(𝐰) für den Fall dreier Umweltzu-
stände anschaulich im baryzentrischen Dreieck darstellen. Wir weisen hier den Abständen
von den Seiten 𝐴𝐵, 𝐵𝐴 und 𝐴𝐶 die Koordinaten 𝑤1 , 𝑤2 und 𝑤3 zu, wobei jeder Punkt im
Innern und auf dem Rand des Dreiecks 𝐴𝐵𝐶 – und somit selbstverständlich auch jeder Kreu-
zungspunkt der in Abbildung 10.2 eingezeichneten Gitterhilfslinien – zum Wert 𝑤1 + 𝑤2 +
𝑤3 = 1 führt.
Abbildung 10.2 Baryzentrisches Dreieck mit Mittelsenkrechten
𝐶 = (1,0,0)
𝐷 𝐹
𝑤 𝑤
𝐴 = (0,1,0) 𝑤 𝐸 𝐵 = (0,0,1)
Während in Risikosituationen definitionsgemäß klassische Wahrscheinlichkeiten - die im ba-

ryzentrischen Dreieck einen einzelnen Punkt ergeben (sog. Punktwahrscheinlichkeiten) -
verwendet werden, führen Intervallwahrscheinlichkeiten aufgrund der genannten Lineari-
tätseigenschaft immer zu einem konvexen Polyeder (abgeschlossenen Vieleck).
Planungsmodelle 99
Stellen wir uns beispielsweise vor, dass das in zehn Jahren für einen Betrieb geltende Rekru-
tierungspotenzial an High Potentials eingeschätzt werden solle und die Experten damit rech-
nen, dass dieses mit einer Wahrscheinlichkeit zwischen 0,2 und 0,5 gering, mit einer Wahr-
scheinlichkeit zwischen 0,3 und 0,6 mittelmäßig und mit einer Wahrscheinlichkeit zwischen
0,1 und 0,3 hoch sei. Wir kommen dann z.B. zu dem in Abbildung 10.3 schraffiert einge-
zeichneten Gebiet (Polyeder) von Wahrscheinlichkeitsverteilungen:
Abbildung 10.3 Intervallwahrscheinlichkeiten im Beispiel
0,2 ≤ 𝑤 ≤ 0,5
0,3 ≤ 𝑤 ≤ 0,6
0,1 ≤ 𝑤 ≤ 0,3
𝑤 𝑤
Im Gegensatz zu den oben definierten Risikosituationen haben wir es bei Vorlage von Inter-
vallwahrscheinlichkeiten nicht mit einem einzigen Punkt, sondern mit einem unendlich vie-
len Verteilungen umfassenden Polyeder zu tun. Die „Kunst“ liegt dann darin, mit dieser
Menge unendlich vieler potenzieller Wahrscheinlichkeitsverteilungen rational umzugehen,
denn das auf Axiomen rationalen Entscheidungsverhaltens basierende und an die Existenz
von Punktwahrscheinlichkeiten gebundene Bernoulli-Prinzip (vgl. Laux et al. 2014) ist hier
nicht mehr anwendbar. Dieses Entscheidungsprinzip empfiehlt, die nutzenerwartungswert-
maximale Handlungsalternative zu wählen. Bezeichnet man mit 𝐸𝑗 den Nutzenerwartungs-
wert der Handlungsalternative 𝑗 ∈ 𝐽, mit 𝑢𝑗𝑧 den Nutzen der Alternative 𝑗 ∈ 𝐽 im Umweltzu-
stand 𝑧 ∈ 𝑍 und mit 𝑤𝑧 die (Punkt-) Wahrscheinlichkeit des Zustandes 𝑧 ∈ 𝑍, dann gilt:
𝐸 = 𝑤 ∙𝑢 (DK. 1)
∈
Wir haben es hier aber nicht mit Risikosituationen zu tun, sondern wir wissen weniger als in
diesen, jedoch mehr als in Ungewissheitssituationen, so dass Entscheidungskriterien emp-

fehlenswert sind, die die Regeln für Fälle der Ungewissheit, wie z.B. die sehr pessimistisch
angelegte Maximin-Regel (vgl. Wald 1949), die sehr optimistische Maximax- Regel oder das
Hurwicz-Princip (vgl. Hurwicz 1951), bei dem über einen Optimismusparameter 𝛽 ∈ [0,1]
die Einstellung des Entscheiders zur Zukunft individuell eingestellt werden kann, modifi-
zieren und mit dem Bernoulli-Prinzip kombinieren (vgl. Motsch 1995, S. 120 ff., Spengler
1999, S. 99 ff., Warnez 1984, Whalen 1994 und Wollenhaupt 1982). Die Kombination des
Bernoulli-Prinzips mit der (a) Maximin-Regel nennt man in der LPI-Theorie MaxEmin-Prinzip,
diejenige mit der Maximax-Regel nennt man (b) MaxEmax-Prinzip und das modifizierte Hur-
wicz-Kriterium (c) LPI-Hurwicz-Kriterium (vgl. Lindstädt 2004). Im Einzelnen gilt:
(a) max min 𝑤 ∙𝑢 (DK. 2)

∈ 𝒘∈ (𝒘)
∈
[Lies: Bestimme die Alternative mit dem maximalen Mindestnutzenwert.]
(b) max max 𝑤 ∙𝑢 (DK. 3)

∈ 𝒘∈ (𝒘)
∈
[Lies: Bestimme die Alternative mit dem maximalen Höchstnutzenwert.]
(c) max 𝛽 ∙ max 𝑤 ∙ 𝑢 + (1 − 𝛽) ∙ min 𝑤 ∙𝑢 (DK. 4)

∈ 𝐰∈ (𝐰) 𝐰∈ (𝐰)
∈ ∈
[Lies: Bestimme die Alternative mit der maximalen Summe aus gewichtetem Mindest- und
gewichtetem Höchstnutzenwert.]
10.2.1.2 Übungsaufgaben
Aufgabe 41
Wodurch unterscheiden sich die Grundmodelle der deterministischen und der stochasti-
schen linearen Programmierung?
Aufgabe 42
Grenzen Sie Possibilitäten, Probabilitäten und Nezessitäten gegeneinander ab!
Aufgabe 43
Erläutern Sie unter Rückgriff auf die im baryzentrischen Dreieck der Abbildung 10.3 darge-
stellte LPI-Verteilung die Begriffe der Additivität, Subadditivität und Superadditivität!
Aufgabe 44
Zeigen Sie, dass es sich bei den Wahrscheinlichkeiten 𝑤1 und 𝑤2 im Fall 𝑤1 ≤ 𝑤2 bzw. 𝑤1 , 𝑤2
und 𝑤3 im Fall 𝑤1 + 𝑤2 ≥ 𝑤3 um Intervallwahrscheinlichkeiten handelt!
Planungsmodelle 101
Aufgabe 45
Ist die LPI-Theorie auf Fälle mit drei Umweltzuständen beschränkt?
Aufgabe 46
Betrachten Sie nachstehende Entscheidungsmatrix (Tabelle 10.1):
Tabelle 10.1 Entscheidungsmatrix
𝑤 ∈ [0,2; 0,5] 𝑤 ∈ [0,3; 0,6] 𝑤 ∈ [0,1; 0,3]

𝑧=1 𝑧=2 𝑧=3
𝑗=1 𝑢 = 200 𝑢 = 500 𝑢 = 800
𝑗=2 𝑢 = 400 𝑢 = 400 𝑢 = 400
𝑗=3 𝑢 = 400 𝑢 = 200 𝑢 = 500
Ermitteln Sie die jeweils optimale Alternative 𝑗 bei Anwendung
a. des MaxEmin-Prinzips,
b. des MaxEmax-Prinzips und
c. des LPI-Hurwicz-Kriteriums!
10.2.2 Unscharfe Planungsmodelle
Die Fuzzy Logic wurde von Zadeh (1965) initial formuliert und gehört zu den mehrwertigen
Logiken. Wie bereits oben (siehe S. 48) angesprochen, gilt für die sog. Zugehörigkeitswerte
𝜇 (𝑥) ∈ [0,1] und nicht wie in der zweiwertigen Logik ∈ {0,1}. In vielen realen Fällen ist der
Entscheider lediglich dazu in der Lage, die Nutzen, die Zielfunktionskoeffizienten, die Ein-
trittswahrscheinlichkeiten, die Variablenkoeffizienten im Restriktionenraum oder die Be-
schränkungsgrößen als fuzzy Größen 𝑢 , 𝑐̃ , 𝑤 , 𝑎 oder 𝐵 anzugeben. Er kann diese dann
(a) in Form sog. Fuzzy-Zahlen bzw. Fuzzy-Intervalle einerseits oder (b) in Form sog. linguis-
tischer Variablen andererseits modellieren, wobei Fuzzy-Zahlen und -Intervalle vor allem
bei (c) linearen und (gemischt-) ganzzahligen unscharfen Optimierungsmodellen und lingu-
istische Variable in (d) Fuzzy Regelsystemen eingesetzt werden.
Zu (a): Eine Fuzzy-Zahl 𝑍 (vgl. Spengler 1993, S. 13) ist in der Theorie unscharfer Mengen
definiert als eine (normalisierte, konvexe) unscharfe Menge, deren Zugehörigkeitsfunktion
(zumindest stückweise) stetig ist und die lediglich einen (einzigen) Gipfelpunkt aufweist. Es
gibt dann also nur ein 𝑥 ∈ 𝑋, für das 𝜇 (𝑥) = 1 gilt. Bei Fuzzy-Intervallen 𝐼 (vgl. Spengler
1993, S. 14) hingegen existieren mehrere (und nicht nur ein) 𝑥 ∈ 𝑋 mit 𝜇 (𝑥) = 1. Der Graph
der Zugehörigkeitsfunktion weist dann ein Plateau und nicht nur einen (Gipfel-) Punkt auf
dem 1-Niveau auf. Für den praktischen Umgang mit Fuzzy-Zahlen und -Intervallen ist deren
Formulierung und Darstellung in 𝐿𝑅-Form (vgl. Dubois/Prade 1978) besonders sinnvoll, da
man mit diesen algebraisch sehr einfach operieren kann. Sie basieren auf sog. linken und
rechten Referenzfunktionen (vgl. Rommelfanger 1994), wobei die Referenzfunktion einer
Fuzzy-Zahl oder eines Fuzzy-Intervalls definiert ist als
Definition 10.4:
Eine Funktion 𝐿: [0, ∞[ → [0,1] mit 𝐿(0) = 1 und 𝐿 ist nicht steigend in [0, ∞[ heißt Refe-
renzfunktion einer Fuzzy-Zahl oder eines Fuzzy-Intervalls (DF. 2)
Eine LR-Fuzzy-Zahl ist wie folgt definiert:
Definition 10.5:
Eine Fuzzy-Zahl 𝑍 heißt LR-Fuzzy-Zahl, wenn gilt:
𝐿 𝑓ü𝑟 𝑥 ≤ 𝑚, 𝛼 > 0
𝜇 (𝑥) =
𝑅 𝑓ü𝑟 𝑥 > 𝑚, 𝛼 > 0
mit geeigneten Referenzfunktionen 𝐿(inks) und 𝑅(echts) (DF. 3)
Ein LR-Fuzzy-Intervall ist wie folgt definiert:
Definition 10.6:
Ein Fuzzy-Intervall 𝐼 heißt 𝐿𝑅-Fuzzy-Intervall, wenn gilt:
⎧𝐿 für 𝑥 ≤ 𝑚 , 𝛼 > 0
⎪
𝜇 (𝑥) = 1 für 𝑚 < 𝑥 ≤ 𝑚
⎨
⎪𝑅 für 𝑚 < 𝑥, 𝛼 > 0
⎩
mit geeigneten Referenzfunktionen 𝐿(inks) und 𝑅(echts) (DF. 4)
𝐿𝑅-Fuzzy-Zahlen werden häufig durch die Angabe von drei charakteristischen Größen dar-
gestellt und nach dem Muster 𝑍 = 𝑚, 𝛼, 𝛼 notiert. Dabei ist 𝑚 der Gipfelpunkt, 𝛼 ist die
linke und 𝛼 die rechte Spannweite (sog. Spreizung). Bei 𝐿𝑅-Fuzzy-Intervallen verfährt man
analog und notiert 𝐼 = 𝑚 , 𝑚 , 𝛼, 𝛼 . Dabei liegen alle Punkte mit dem Zugehörigkeitswert
1 im Intervall [𝑚 , 𝑚 ] und 𝛼 sowie 𝛼 bezeichnen wieder die Spreizungen.
Wir wollen hier vereinfachungsbedingt durchgängig von Referenzfunktionen des Typs
𝐿 = max 0, 1 − und 𝑅 = max 0, 1 − (DF. 5)
sowie 𝐿 = max 0, 1 − und 𝑅 = max 0, 1 − (DF. 6)

Planungsmodelle 103
ausgehen, die zu linearen Zugehörigkeitsfunktionen führen, so dass man auf den Zusatz 𝐿𝑅
verzichten kann.
Ersetzt man zur Vereinfachung der Abbildungen die Quotienten , , und

durch 𝑢 , 𝑢 , 𝑢 und 𝑢 , dann nehmen die Graphen der Referenzfunktionen folgende identi-
sche Gestalt an (s. Abbildung 10.4):
Abbildung 10.4 Referenzfunktionen
𝐿(𝑢 ), 𝑅(𝑢 ),
𝐿(𝑢 ), 𝑅(𝑢 )
1
𝐿(𝑢 ) = 𝑅(𝑢 )
𝐿(𝑢 ) = 𝑅(𝑢 )
𝑢 ,𝑢 ,
1 𝑢 ,𝑢
Die Graphen der Zugehörigkeitsfunktionen sind in Abbildung 10.5 und Abbildung 10.6
dargestellt:
Abbildung 10.5 Zugehörigkeitsfunktion von 𝑍 = 𝑚, 𝛼, 𝛼
𝜇 (𝑥)
1
𝑚−𝛼 𝑚 𝑚+𝛼 𝑥∈𝑋

Abbildung 10.6 Zugehörigkeitsfunktion von 𝐼 = 𝑚 , 𝑚 , 𝛼, 𝛼
𝜇 (𝑥)
𝑚 −𝛼 𝑚 𝑚 𝑚 +𝛼 𝑥∈𝑋
Spezielle Fuzzy-Intervalle sind solche vom sog. 𝜀-𝜆-Typ, bei denen nicht vier sondern sechs
charakteristische Größen angegeben werden, nämlich jeweils zwei auf den Zugehörigkeits-
niveaus 𝜇 = 𝜀, 𝜇 = 𝜆 und 𝜇 = 1. Bei Fuzzy-Intervallen dieses Typs gibt man also charakteris-
tische Werte auf dem 1-Niveau, sowie auf dem 𝜀- (0 ≤ 𝜀 < 𝜆) und dem 𝜆 -Niveau (𝜀 < 𝜆 < 1)
an und verbindet diese charakteristischen Punkte mit Polygonzügen. 𝜀-𝜆- Fuzzy-Intervalle
werden häufig zur Modellierung von Fuzzy-Wahrscheinlichkeiten verwendet und nach dem
Muster 𝐼 = (𝑥 , 𝑥 , 𝑥 , 𝑥 , 𝑥 , 𝑥 )𝜀𝜆 notiert (vgl. Rommelfanger/Eickemeier 2002). Der Graph
einer entsprechenden Zugehörigkeitsfunktion ist exemplarisch in Abbildung 10.7 darge-
stellt.
Um es noch etwas deutlicher zu sagen, lässt sich feststellen, dass ein Entscheider für die Kon-
struktion der Zugehörigkeitsfunktion einer 𝐿𝑅-Fuzzy-Zahl lediglich drei Zugehörigkeits-
werte angeben muss, nämlich 𝜇 (𝑥) = 0 für 𝑚 − 𝛼 sowie für 𝑚 + 𝛼 und 𝜇 (𝑥) = 1 für 𝑥 = 𝑚.
Weitere Zugehörigkeitswerte muss er nicht explizit kennen, sondern er unterstellt einen ge-
wissen Verlauf der Zugehörigkeitsfunktion zwischen den drei Zugehörigkeitswerten, den er
in den rechten und linken Referenzfunktionen 𝐿 für 𝑥 ≤ 𝑚 und 𝑅 für 𝑥 > 𝑚 kon-
kretisiert. Im Beispiel der Abbildung 10.7 ist dieser Verlauf linear, er könnte aber auch kon-
vex oder konkav (oder beides) sein. Somit transformiert man eine eigentlich diskrete Fuzzy-
Zahl quasi künstlich in eine stetige (s. Aufgabe 15 b und deren Lösung). Ähnlich verhält es
sich bei 𝐿𝑅-Fuzzy-Intervallen. Hier muss der Entscheider lediglich vier charakteristische 𝑥-
bzw. Zugehörigkeitswerte bestimmen und verwendet für die Zwischenbereiche die Refe-
renzfunktionen 𝐿 für 𝑥 ≤ 𝑚 und 𝑅 für 𝑥 > 𝑚 .
In Analogie hierzu muss er bei den Fuzzy-Intervallen vom 𝜀-𝜆-Typ an den Stellen 𝑥 = 𝑥 und
𝑥 = 𝑥 den Zugehörigkeitswert 𝜇 (𝑥) = 𝜀, an den Stellen 𝑥 = 𝑥 und 𝑥 = 𝑥 den Zugehörig-
keitswert 𝜇 (𝑥) = 𝜆 und an den Stellen 𝑥 = 𝑥 und 𝑥 = 𝑥 den Zugehörigkeitswert 𝜇 (𝑥) = 1
Planungsmodelle 105
vergeben. Die Zugehörigkeitsfunktionsverläufe zwischen den drei Niveaus 𝜀, 𝜆 und 1 schätzt

er dann wieder entsprechend, so dass er auf beiden Seiten (links und rechts) zu stückweise
linearen, konvexen oder konkaven Funktionsbereichen kommt.
Abbildung 10.7 Zugehörigkeitsfunktion von 𝐼 = 𝑥 , 𝑥 , 𝑥 , 𝑥 , 𝑥 , 𝑥
𝜇 (𝑥)
𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥∈𝑋
Die Basisidee der Formulierung von 𝜀-𝜆-Fuzzy-Intervallen liegt darin, dass der Entscheider
von der Möglichkeit der Realisation von 𝑥 ∈ 𝑥 , 𝑥 voll, von der Möglichkeit der Realisation
von 𝑥 ∈ 𝑥 , 𝑥 mittelmäßig und von der Möglichkeit der Realisation von 𝑥 ∈ 𝑥 , 𝑥 kaum
überzeugt ist. Volle Überzeugung wird dann durch den Zugehörigkeitswert 1, mittlere hin-
gegen durch einen mittleren Zugehörigkeitswert (z. B. zwischen 0,4 und 0,6) zum Ausdruck
gebracht. Wenn man kaum überzeugt ist, so ist man nicht notwendig überhaupt nicht über-
zeugt, so dass der Zugehörigkeitswert als (0 oder) schwach positiv festgelegt wird (z. B. zwi-
schen 0,05 und 0,15). Selbstverständlich steht es dem Entscheider auch frei, weitere 𝛼-Ni-
veauebenen (mit 𝛼 < 𝜀, 𝜀 < 𝛼 < 𝜆 und 𝜆 < 𝛼 < 1) zu verwenden. Dafür hat er dann jedoch
den Preis höherer Komplexität zu zahlen. Rommelfanger und Eickemeier (2002, S. 38) raten
davon ab, Zugehörigkeitswerte auf dem 0-Niveau zu vergeben, denn ihrer Auffassung nach
müsste dann „[…] entschieden werden, welche Realisationen noch möglich sind und welche
nicht mehr.“ Sie empfehlen hingegen auf die Berücksichtigung solcher „[…] Werte zu ver-
zichten, denen [man, d. Verf.] nur eine sehr geringe Realisierungschance zubilligt.“ Wir wol-
len diese Empfehlung jedoch nicht derart strikt aussprechen und 0 ≤ 𝜀 zulassen.
Zum Abschluss dieser einführenden Bemerkungen wollen wir feststellen, dass die Rechen-
regeln für arithmetische Operationen mit 𝐿𝑅-Fuzzy Sets recht einfach gehalten sind, hier aber
nicht dargestellt werden, damit wir uns stärker auf Fragen der Personalplanung konzentrie-
ren können. Der interessierte Leser sei auf die einschlägige Literatur verwiesen (vgl. z.B.
Rommelfanger 1994). Gleichwohl sind Fuzzy-Ansätze für realitätsgerechte Personalplanun-
gen von nicht unerheblicher Wichtigkeit, so dass wir uns hier auf einem schmalen Grat zwi-
schen methodischer Akkuratesse und gebotener Simplifizierung bewegen.
Zu (b): Linguistische Variable stellen Quadrupel (𝐿𝑉, 𝐿𝑇(𝐿𝑉), 𝑋, 𝑆𝑅) dar, die neben der Be-
zeichnung der linguistischen Variablen 𝐿𝑉 und der Menge der linguistischen Terme 𝐿𝑇(𝑇𝑉)
sowie der korrespondierenden Grundmenge 𝑋 auch eine semantische Regel 𝑆𝑅 (durch die
jedem linguistischen Term eine Zugehörigkeitsfunktion zugewiesen wird) umfassen (vgl.
Zadeh 1975, S. 199, S. 203-205, Bandemer/Gottwald 1993, S. 104-107 und Zimmermann 1988,
S. 122). 𝐿𝑉 kann dann z.B. eine Personalausstattung, ein Arbeitskoeffizient oder eine Fluktu-
ationsrate repräsentieren, 𝐿𝑇(𝑇𝑉) können z.B. niedrig, mittel, ziemlich hoch oder sehr hoch
sein und 𝑋 z. B. Ausprägungen der Personalausstattung, des Arbeitskoeffizienten oder der
Fluktuationsrate darstellen. Lassen Sie uns exemplarisch die linguistische Variable „Fluktu-
ationsrate“ betrachten, die in Abbildung 10.8 näher beschrieben wird.
Fluktuation ist definiert als die Anzahl der aus dem Betrieb (nicht durch betriebliche Veran-
lassung) ausscheidenden Mitarbeiter (z.B. durch Kündigung seitens der Arbeitnehmer). Die
Fluktuationsrate ist dann der Anteil dieser Mitarbeiter an der gesamten Personalausstattung
des Betriebes. Im Beispiel der Abbildung 10.8 sind auf der Abszisse Ausprägungen 𝑥 ∈ 𝑋
der Fluktuationsrate zwischen 0 und 100 % und auf der Ordinate Zugehörigkeitswerte 𝜇(𝑥)
abgetragen. Die eingezeichneten Zugehörigkeitsfunktionen geben Auskunft darüber, inwie-
fern eine konkrete Fluktuationsrate 𝑥 vom Entscheider als sehr niedrig (𝑆𝑁), niedrig (𝑁), mit-
tel (𝑀), hoch (𝐻) oder sehr hoch (𝑆𝐻) bezeichnet wird. Dabei zeigt sich u.a., dass eine Fluk-
tuationsrate i.H.v. 18 % sowohl als sehr niedrig als auch als niedrig und eine Fluktuationsrate
i.H.v. 65 % sowohl als mittel als auch als hoch eingeschätzt wird (wenngleich jeweils auch
mit diversen Zugehörigkeitswerten).
Abbildung 10.8 Linguistische Variable „Fluktuationsrate“
𝜇(𝑥)
𝑆𝑁 𝑁 𝑀 𝐻 𝑆𝐻
1
0,8
0,6
0,4
0,2
0 0,2 0,4 0,6 0,8 1 𝑥∈𝑋
Der Entscheider - und das ist der Vorteil der Fuzzy Logic im Allgemeinen und der linguisti-
schen Variablen im Besonderen – muss nicht mehr wie in der zweiwertigen Logik einem
Planungsmodelle 107
Element der Grundmenge nur einem einzigen linguistischen Term zuordnen, sondern mehr-
deutige Zuordnungen sind zulässig, was menschlichem Sprachverhalten und menschlichem
Denken sehr gerecht wird. Für die Zugehörigkeitsfunktionen im obigen Beispiel gilt u.a.
0 für 𝑥 > 𝑚 + 𝛼
𝑥−𝑚
𝜇 (𝑥) = 1 − für 𝑚 + 𝛼 ≥ 𝑥 > 𝑚
𝛼
1 für 𝑚 ≥ 𝑥
0 für 𝑥 < 𝑚 − 𝛼
⎧
⎪𝑥 − (𝑚 − 𝛼)
𝜇 (𝑥) = für 𝑚 − 𝛼 ≤ 𝑥 < 𝑚
𝛼
⎨
⎪1 − 𝑥 − 𝑚 für 𝑚 ≤ 𝑥
⎩ 𝛼
0 für 𝑥 < 𝑚 − 𝛼
⎧
𝑥 − (𝑚 − 𝛼)
𝜇 (𝑥) = für 𝑚 − 𝛼 ≤ 𝑥 < 𝑚
⎨ 𝛼
⎩1 für 𝑚 ≤ 𝑥
Die Zugehörigkeitsfunktionen und die korrespondierenden Variablen der bisherigen Bei-

spiele sind alle metrisch skaliert (s. Kap. 1.2.2 Skalen). Es gibt aber viele Fälle, in denen der
Entscheider die Variablen lediglich ordinal oder gar nur nominal skalieren kann. Diese lassen
sich in der Fuzzy Set-Theory problemlos über sog. Singletons modellieren. Um dies erklären
zu können, müssen wir zunächst den Begriff der stützenden Menge definieren:
Definition 10.7:
Die stützende Menge 𝑆(𝑀) einer unscharfen Menge 𝑀 umfasst alle Elemente der
Grundmenge mit positivem Zugehörigkeitswert, d.h. es gilt:
𝑆 𝑀 = 𝑥 ∈ 𝑋|𝜇 (𝑥) > 0 (DF. 7)
Die stützende Menge ist also eine klassische Menge.
Damit können wir das Konstrukt des Singletons definieren, nämlich als eine unscharfe
Menge, deren stützende Menge die Mächtigkeit 1 aufweist, die also genau ein Element mit
einem positiven Zugehörigkeitswert enthält. In Abbildung 10.9 sind fünf Beispiele für Sin-
gletons aufgeführt:
Abbildung 10.9 Beispiele für Singletons
𝜇(𝑥)
0,8
0,6
0,4
0,2
0 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥∈𝑋
Somit sind wir in der Lage, in unscharfen Planungsmodellen gleichzeitig (sic!) sowohl met-
rische als auch nicht-metrische Variablen in Ansatz zu bringen. Dies ist mit klassischen Mo-
dellierungsmethoden nicht möglich.
Zu (c): Unscharfe Ansätze der mathematischen Optimierung werden (nicht zuletzt unter
dem Aspekt einer effektiven und effizienten Lösbarkeit) als lineare oder (gemischt-) ganz-
zahlige Modelle formuliert. Wir wollen hier das Grundmodell der Unscharfen (Fuzzy) Line-
aren Programmierung (FLP) formulieren. Bei diesem gehen wir aus Vereinfachungsgründen
durchgängig von nicht-stochastischen Daten sowie von linearen Referenz- und Zugehörig-
keitsfunktionen nach (DF. 3)-(DF. 6) aus und weisen darauf hin, dass die Summierung bzw.
die Multiplikation zweier 𝐿𝑅-Fuzzy Sets in der Fuzzy Set-Theory mit ⊕ bzw. ⊗ gekenn-
zeichnet wird.
𝐼 ≔ {𝑖|𝑖 = 1,2, … , 𝐼} Indizes zur Bezeichnung der Restriktionen
𝐽 ≔ {𝑗|𝑗 = 1,2, … , 𝐽} Indizes zur Bezeichnung der Entscheidungsvariablen
𝑐̃ ≔ unscharfer Zielfunktionskoeffizient der Entscheidungsvariablen 𝑗 ∈ 𝐽
𝑎 ≔ unscharfer Koeffizient der Entscheidungsvariablen 𝑗 ∈ 𝐽 in Restriktion 𝑖 ∈ 𝐼
𝐵 ≔ unscharfe Beschränkungsgröße für die linke Seite der Restriktion 𝑖 ∈ 𝐼

Planungsmodelle 109
𝑥 ≔ Entscheidungsvariable 𝑗 ∈ 𝐽
lautet das Grundmodell der FLP wie folgt:
Zielfunktion:
𝑐̃ ⊗ 𝑥 = 𝑐̃ ⊗ 𝑥 ⊕ … ⊕ 𝑐̃ ⊗ 𝑥 → max oder min! (Z. 6)

∈
[Lies: Maximiere oder minimiere die Summe aller Produkte aus unscharfen Zielfunktionsko-
effizienten und Entscheidungsvariablen!]
Nebenbedingungen:
𝑎 ⊗ 𝑥 = 𝑎 ⊗ 𝑥 ⊕…⊕ 𝑎 ⊗ 𝑥 ≤ 𝐵 ∀𝑖 ∈𝐼 (R. 22)

∈
[Lies: Die Summe aller Produkte aus unscharfen Koeffizienten 𝑎 und Variablen 𝑥 darf nicht
größer werden als die unscharfe Beschränkungsgröße 𝐵 . Dies gilt für alle Restriktionen 𝑖 ∈
𝐼. Die Nebenbedingungen können selbstverständlich auch als ≥-Restriktionen oder =-Rest-
riktionen formuliert werden.]
𝑥 ≥0 ∀𝑗 ∈𝐽 (R. 2)
Dieses Modell ist in der vorliegenden Form mit den Standardmethoden der Linearen Opti-
mierung nicht zu lösen, es ist in geeigneter Form zu transformieren. Zu diesem Zweck hält
die Literatur diverse Verfahren bereit, von denen wir hier mit dem Algorithmus FULPAL
(FUzzyLinearProgramming based on Aspiration Levels) von Rommelfanger (1994) einen
sehr gut geeigneten skizzieren wollen. Nach FULPAL
■ stellt man zunächst ein unscharfes Ausgangsmodell auf,

■ transformiert dieses dann in ein Mehrzielprogramm,
■ formuliert danach zur Generierung einer unscharfen Nutzenfunktion zwei Hilfspro-
gramme
■ und (da Mehrzielprobleme oft einer Kompromisslösung bedürfen) abschließend ein

Kompromissprogramm.
Zum Zwecke vereinfachter Darstellung gehen wir davon aus, dass die Zielfunktionskoeffi-
zienten in scharfer Form 𝑐 (𝑗 ∈ 𝐽), die Variablenkoeffizienten im Restriktionenraum als 𝐿𝑅-
Fuzzy-Intervalle 𝑎 = 𝑎 , 𝑎 , 𝑎 , 𝑎 und die Beschränkungsgrößen als 𝐿𝑅-Fuzzy-
Zahlen 𝐵 = 𝑏 , 0, 𝑏 vom o.g. 𝐿𝑅-Typ vorliegen.

Dann lautet das zu lösende unscharfe Programm mit einer zu maximierenden Zielfunktion
und unter Berücksichtigung von ausschließlich unscharfen Kleiner-Gleich-Bedingungen wie
folgt:
Zielfunktion:
𝑐 ∙ 𝑥 → max! (Z. 1)
∈
u.d.N.:
𝑎 ⊗ 𝑥 = 𝑎 ⊗ 𝑥 ⊕…⊕ 𝑎 ⊗ 𝑥 ≤ 𝐵 ∀𝑖 ∈𝐼 (R. 22)

∈
𝑥 ≥0 ∀𝑗 ∈𝐽 (R. 2)
Da dies in der vorliegenden Form nicht gelöst werden kann und die Einhaltung einer Rest-
riktion gleichsam auch immer ein Ziel darstellt (s. Aufgabe 50 und deren Lösung), führen
wir die unscharfe Menge des Nutzens
𝑁 = 𝑎 ∙ 𝑥 ;𝜇 𝑎 ∙𝑥
∈ ∈
des Entscheiders bei Einhaltung der Restriktionsgrenze 𝐵 mit der Quantität 𝑎 ∙𝑥

∈
ein.
Dann wird für (jede) Restriktion vom Typ (R. 22) eine Ersatzungleichung
𝑎 +𝑎 ∙𝑥 ≤𝑏 +𝑏 ∀𝑖 ∈𝐼 (R. 23)
∈
und ein Ziel
𝜇 𝑎 ∙𝑥 → max! (Z. 7)
∈
in Ansatz gebracht.
Die Zugehörigkeitsfunktion von 𝑁 wird sinnvollerweise so konstruiert, dass sie den Wert
− 0 annimmt, wenn 𝑎 ∙𝑥 >𝑏 +∆

∈
− 1 annimmt, wenn 𝑎 ∙𝑥 <𝑏

∈
Planungsmodelle 111
− und ansonsten Werte zwischen 0 und 1 annimmt, wobei ∆ ∆ ≤ 𝑏 ein vom

Entscheidungsträger vorzugebender Abweichungstoleranzparameter ist.
Bei (den hier unterstellten) linearen Zugehörigkeitsfunktionen lautet die entsprechende De-
finitionsgleichung:
⎧0 für 𝑎 ∙𝑥 >𝑏 +∆
⎪ ∈
⎪
⎪ 𝑎 ∙𝑥 −𝑏
𝜇 𝑎 ∙𝑥 = 1− ∈ für 𝑏 + ∆ ≥ 𝑎 ∙𝑥 >𝑏 (DF. 8)
⎨ ∈
∈ ∆
⎪
⎪
⎪1 für 𝑏 ≥ 𝑎 ∙𝑥
⎩ ∈
Wird (R. 22) durch (R. 23) und (Z. 7) ersetzt, dann entsteht ein Mehrzielprogramm der Form
⎡ 𝑐 ∙𝑥 ⎤
⎢ ∈ ⎥
⎢ ⎥
⎢𝜇 𝑎 ∙𝑥 ⎥
⎢ ∈
⎥ → max! (ZV. 2)
⎢ ⋮ ⎥
⎢ ⎥
⎢𝜇 𝑎 ∙𝑥 ⎥
⎣ ∈ ⎦
u.d.N.:
(R. 2) und (R. 23)
Um Vergleichbarkeit der Teilzielfunktionen von (ZV. 2) herzustellen, ist es sinnvoll auch die
potenziellen Ausprägungen von (Z. 1) hinsichtlich des Nutzens zu beurteilen. Dazu führen
wir mit 𝐺 ≔ {(𝑧; 𝜇 (𝑧)|𝑧 ∈ ℝ)} die unscharfe Menge des Nutzens des Entscheidungsträgers
von potentiellen Ausprägungen 𝑧 = 𝑧(𝐱) der Zielfunktion (Z. 1) ein. Diese lässt sich über
zwei Hilfsprogramme (H1 und H2) konstruieren, bei denen (Z. 1) die Werte 𝑧 und 𝑧 an-
nimmt, wobei H1 zu 𝑧 führt, und aus (Z. 1), (R. 2), (R. 23) sowie der Restriktion (R. 24) besteht,
mit
𝑎 ∙𝑥 ≤𝑏 ∀𝑖 ∈𝐼 (R. 24)
∈
H2 ist im Vergleich zu H1 weniger restriktiv, lässt (Z. 1) damit mehr Spielraum zur Maximie-
rung, führt deswegen zu 𝑧 (mit 𝑧 ≤ 𝑧) und besteht aus (Z. 1), (R. 2) und aus (R. 23). Unterhalb
𝑧 (bzw. oberhalb 𝑧) ist (Z. 1) somit sehr ungünstig (bzw. sehr günstig ausgeprägt). Es ist dann
rational, wenn 𝜇 so festgelegt wird, dass
0 für 𝑧 ≤ 𝑧
𝜇 (𝑧) = 0 < 𝜇 (𝑧) < 1 für 𝑧 < 𝑧 < 𝑧
Wählt man 𝑧 ≤ 𝑧 und 𝑧 ≤ 𝑧 − ∆ , dann gilt bei linearem Verlauf und für den Fall 𝑧 < 𝑧
0 für 𝑧 < 𝑧 − ∆
⎧
𝑧 − (𝑧 − ∆ )
𝜇 (𝑧) = für 𝑧 − ∆ ≤ 𝑧 < 𝑧 (DF. 9)
⎨ ∆
⎩1 für 𝑧 ≤ 𝑧
Damit lautet das gesuchte Kompromissprogramm:
Zielfunktion:
𝜋 → max! (Z. 2)
u.d.N.:
𝜋 ≤ 𝜇 (𝑧) (R. 25)
𝜋≤𝜇 𝑎 ∙𝑥 ∀𝑖 ∈𝐼 (R. 26)

∈
𝑎 +𝑎 ∙𝑥 ≤𝑏 +𝑏 ∀𝑖 ∈𝐼 (R. 23)
∈
𝑥 ≥0 ∀𝑗 ∈𝐽 (R. 2)
𝜋≥0 (R. 4)
I. V. m. (DF. 9) und (DF. 8) lassen sich (R. 25) und (R. 26) umformen zu:
∆ ∙𝜋− 𝑐 ∙ 𝑥 ≤ −(𝑧 − ∆ ) (R. 27)

∈
∆ ∙𝜋+ 𝑎 ∙𝑥 ≤𝑏 +∆ ∀𝑖 ∈𝐼 (R. 28)

∈
Das oben aufgezeigte und von FULPAL vorgesehene Vorgehen lässt sich in folgendem Ab-
laufschema (vgl. Abbildung 10.10) zusammenfassen:
Planungsmodelle 113
Abbildung 10.10 Ablaufschema FULPAL
1. Formuliere das unscharfe Aus-

gangsmodell! [(Z.1), (R.22), (R.2)]
2. Formuliere das Mehrziel-Ersatz-

programm! [(ZV.2), (R.2), (R.23)]
3. Formuliere und löse das Hilfsmo- 4. Formuliere und löse das Hilfsmo-
dell H1! [(Z.1), (R.2), (R.23), (R.24)] dell H2! [(Z.1), (R.2), (R.23)]
5. Definiere die Zugehörigkeits-

funktion 𝜇 (𝑧)! [(DF.9)]
6. Formuliere und löse das Kom-

promissprogramm! [(Z.2), (R.2),
(R.4), (R.23), (R.27), (R.28)]
FULPAL endet mit Schritt 6. Sofern der Entscheider mit einer entsprechenden Kompromiss-
lösung nicht zufrieden ist, muss er sein(e) Anspruchsniveau(s) variieren und erneut in einem
vorgelagerten Modellierungsschritt einsteigen, um dann wiederum bis zu Schritt 6 fortzu-
fahren.
Nachdem wir FULPAL hier allgemein dargestellt haben zeigen wir in Kap. 12.3.3 einen kon-
kreten Anwendungsfall im Rahmen der reinen Personalbereitstellungsplanung. Dazu muss
jedoch das korrespondierende scharfe Grundmodell formuliert und erläutert werden. Dies
würde den Rahmen des vorliegenden Kapitels sprengen, sodass wir Sie hier leider auf die
Lektüre von Kapitel vgl. 12.3.1 verweisen müssen.
Zu (d): Fuzzy Regelsysteme sind kybernetische Systeme, über die (Personal-) Planungsprob-
leme gut, akzeptabel bzw. unter den gegebenen Voraussetzungen bestmöglich gelöst werden
sollen (vgl. z.B. Momsen 2006, S. 66 ff., Krieg 2013, S. 98 ff. und Naundorf 2016, S. 143 ff.). Sie
werden dann zum Einsatz gebracht, wenn strenge Optimierung oder die Verwendung ela-
borierter Metaheuristiken (s. Kap. 7) – z.B. aus Komplexitätsgründen oder weil skalentheo-
retische Voraussetzungen nicht erfüllt sind – vom Entscheider im konkreten Problemfall aus-
geschlossen werden. Bei der Formulierung und Anwendung geht man in vier Phasen vor
(vgl. z.B. Piegat 2001, S. 157-159), die im Folgenden skizziert werden:
(1) Zunächst werden die relevanten linguistischen Inputvariablen erhoben. Diese stellen
– wie oben (s. S. 106) definiert – Quadrupel (𝐿𝑉, 𝐿𝑇(𝐿𝑉), 𝑋, 𝑆𝑅) dar, die in scharfer
oder unscharfer Form vorliegen können. Sofern sie (bereits) unscharfe Variable sind,
überspringt man Phase (2). Für den häufig auftretenden Fall, dass die Elemente 𝑥 ∈ 𝑋
mit 𝜇(𝑥) ∈ {0,1} in scharfer Form vorliegen, geht man zu Phase (2) über.
(2) In dieser Phase geht es um die Fuzzyfizierung der Inputvariaben, bei der durch se-
mantische Regeln 𝑆𝑅 jedem linguistischen Term 𝐿𝑇(𝐿𝑉) eine Zugehörigkeitsfunktion
bzw. ein Zugehörigkeitswert mit 𝜇(𝑥) ∈ [0,1] zugewiesen wird.
(3) Die dritte Phase (vgl. z.B. Schroll 2007, S. 133 ff.) ist die Phase der Inferenz und damit
quasi der Kern des Fuzzy Control, in dem vermittels einer geeigneten Regelbasis und
eines entsprechenden Inferenzmechanismus unscharfe Outputvariable mit korres-
pondierenden Zugehörigkeitsfunktionen erzeugt werden. Die in Ansatz zu bringen-
den Regeln sind Wenn-Dann-Verknüpfungen, wobei die Wenn-Komponenten (Prä-
missen) der Regeln vielfach Und-Verknüpfungen mehrerer unscharfer Inputvariab-
len darstellen. Im Zuge dessen wird auch der DOF (Degree of Fulfillment) jeder Regel
ermittelt, wobei nur Regeln mit positivem Erfüllungsgrad zur Erzeugung des Outputs
herangezogen werden. Ein positiver DOF liegt dann vor, wenn alle Prämissen einer
Regel (also alle Teile einer Wenn-Komponente) erfüllt sind. Man bezeichnet solche
Regeln auch als aktive (oder feuernde) Regeln.
(4) In der vierten Phase geht es um die Defuzzyfizierung. Hier wird aus der in Phase (3)
generierten unscharfen Outputmenge ein scharfer Wert erzeugt, wozu verschiedene
Verfahren zur Verfügung stehen, wie z.B. die Center of Gravity-Method (Flächen-
schwerpunktmethode), die First of Maxima-Method etc. (vgl. z.B. Jaanineh/Maijo-
hann 1996, S. 265. ff., Kahlert/Frank 1994, S. 89 und Schroll 2007, S. 146 ff).
Wir wollen Teile der geschilderten Vorgehensweise anhand eines Beispiels illustrieren, bei
dem ein Personalmanager ein Demografieprojekt zu bearbeiten hat (s. auch Kap. 15 i.V.m.
Kap. 9). Ziel dieses Projektes ist die Ableitung nachhaltiger Personalstrategien. Zu deren Fun-
dierung sollen mit Hilfe der sog. Szenario-Technik (vgl. Spengler 2015 und Kratzberg 2009)
Szenarien entwickelt werden, die auf Prognosen von Mobilitäts-, Altersstruktur-, Qualifika-
tionsstruktur-, Fertilitäts-, Mortalitäts- und weiteren einschlägigen Entwicklungen in der Be-
zugsregion bis zum Prognosehorizont beruhen. Bei der (analytischen) Szenario-Technik geht
man wie folgt vor (Spengler 2012, S. 77 ff.): Zunächst werden für das interessierende Unter-
suchungsfeld (hier: personalbezogene demografische Entwicklung in der Bezugsregion) Ein-
flussbereiche und -faktoren ermittelt, die unter Anwendung entsprechender Einflussanaly-
sen (a) zu einer operablen Menge sog. Deskriptoren reduziert werden. Diese werden (mit-
samt ihren Ausprägungen) zu Annahmebündeln kombiniert, die per Konsistenzanalysen (b)
hinsichtlich Stimmigkeit zu beurteilen sind. Danach sind die einen vorgegebenen Mindest-
konsistenzwert erreichenden oder überschreitenden Annahmebündel durch probabilistische
(der Wahrscheinlichkeit nach) oder possibilistische (der Möglichkeit nach) Cross-Impact-
Analysen (c) auf Kreuzeinflüsse hin zu untersuchen. Abschließend ist durch eine geeignete
Planungsmodelle 115
Cluster-Analyse eine – das Worst Case- und das Best Case-Szenario sowie ein bis drei mitt-
lere Szenarien enthaltende – Menge von Szenarien zu erzeugen, die der anschließenden Ge-
nerierung und Evaluierung rationaler (Personal-) Strategien zugrunde gelegt werden kann.
Zu (a): Im Kontext der Einflussanalyse bestimmt man Einflussbereiche, die dann in Einfluss-
faktoren disaggregiert werden. Für Letztgenannte wiederum sind die Stärke des Faktors 𝑖
auf Faktor 𝑗 wiedergebende Einfluss-Scores (𝑏 ) zu ermitteln, wobei die Scores entweder
diskret z. B. 𝑏 ∈ {0, 1, 2, 3, 4, 5} oder stetig z. B. 𝑏 ∈ [0,1] gemessen werden können.
Durch entsprechende Addition über 𝑗 (bzw. 𝑖) gelangt man dann zu korrespondierenden Ak-
tiv- (bzw. Passiv-) Summen. Die dadurch geschaffene Deskriptorenbündelung und -reihung
ermöglicht dann eine weitere rationale Reduktion der weiter zu verarbeitenden Deskripto-
ren. Während man im scharfen Fall mit crisp values 𝑏 rechnet, verwendet man im un-
scharfen Fall LR-Fuzzy Sets 𝑏 oder linguistische Variable.
Zu (b): Im Zuge der Konsistenzanalyse sind kritische Deskriptoren und deren Ausprägungen
(zunächst paarweise) hinsichtlich ihrer Stimmigkeit zu untersuchen. Anschließend werden
sie zu sog. Annahmebündeln kombiniert und die Resultate der Bündelung ebenfalls auf Kon-
sistenz hin untersucht, wobei man wiederum auf scharfe Werte, auf LR-Fuzzy Sets oder auf
linguistische Variable zurückgreifen kann. In unserem Beispiel messe der Personalmanager
die Konsistenz des Deskriptorenpaares 𝑖 und 𝑗 auf einer stetigen und scharfen Inputmenge
𝑥 ∈ [0,6]. Das Ausmaß der jeweiligen Konsistenz 𝑐̃ könne zudem über die linguistischen
Terme „sehr gering (sg)“, „gering (g)“, „mittel (m)“, „hoch (h)“ und „sehr hoch (sh)“ beurteilt
werden. Aus Abbildungen 10.11.a geht u.a. hervor, dass der Personalmanager bei durch-
gängig linearen Zugehörigkeitsfunktionen folgende Beurteilungen vorsieht: Inputwerte 𝑥
zwischen 0 und 1 sieht er auf jeden Fall als „sehr gering“ (mit 𝜇 𝑥 ∈ [0,1] = 1) und solche
in Höhe von 𝑥 = 2 überhaupt nicht als „sehr gering“ (mit 𝜇 𝑥 = 2 = 0) an. Inputwerte
zwischen 1 und 2 beurteilt er als nicht vollständig „sehr gering“ (1 > 𝜇 𝑥 > 0). Einen In-
putwert in Höhe von 𝑥 = 2 schätzt er auf jeden Fall als „gering“, Inputwerte in Höhe von 1
und 3 in keinem Fall als „gering“ und Inputwerte zwischen 1 und 2 sowie zwischen 2 und 3
als abgestuft „gering“ ein. Den Abbildungen 10.11.b-10.11.d ist zu entnehmen, dass der Per-
sonalmanager die Konsistenz des Deskriptorenpaares 𝑖 = 1 und 𝑗 = 2 mit 𝑥 und somit zum
Grade 0,6 als „sehr gering“ und zum Grade 0,4 als „gering“ beurteilt. Daneben gelten 𝑥
sowie 𝑥 , sodass das Deskriptorenpaar 1 und 3 zum Grade 0,9 als „mittel“ sowie zum Grade
0,1 als „gering“ und das Deskriptorenpaar 2 und 3 zum Grade 0,8 als „hoch“ sowie zum
Grade 0,2 als „sehr hoch“ eingestuft wird.
Abbildungen 10.11.a - 10.11.d Inputvariable und unscharfe Konsistenzbewertungen
𝜇 𝑥
10.11.a
𝑐̃ 𝑐̃ 𝑐̃ 𝑐̃ 𝑐̃
1
𝜇 𝑥 1 2 3 4 5 𝑥
𝑐̃ 𝑐̃ 𝑐̃ 𝑐̃ 𝑐̃
10.11.b 1
0,6
0,4
1,4 2 3 4 5 𝑥
𝜇 𝑥
𝑐̃ 𝑐̃ 𝑐̃ 𝑐̃ 𝑐̃
1
10.11.c 0,9
0,1
1 2 2,9 4 5 𝑥
𝜇 𝑥
𝑐̃ 𝑐̃ 𝑐̃ 𝑐̃ 𝑐̃
1
10.11.d 0,8
0,2
1 2 3 4,2 5 𝑥
Quelle: Spengler 2012, S. 76-83.

Planungsmodelle 117
Der Personalmanager möge dann (u.a.) die Regeln 1 und 2 zur Bestimmung des gesamten
Konsistenzwertes 𝐶 für die Deskriptoren 1, 2 und 3 anwenden, mit
Regel 1: 𝑥 = 𝑐̃ ∧𝑥 = 𝑐̃ ∧𝑥 = 𝑐̃ →𝐶 =𝑔
Regel 2: 𝑥 = 𝑐̃ ∧𝑥 = 𝑐̃ ∧𝑥 = 𝑐̃ →𝐶 =𝑚
Der DOF einer Regel kann u.a. über den Minimumoperator (als Verknüpfungsoperator für
das Logische Und) ermittelt werden und so soll auch hier im Beispiel so verfahren werden.
Man sieht schnell, dass Regel 1 einen DOF i.H.v. 0 aufweist und deshalb nicht weiter zu be-
rücksichtigen ist. Für Regel 2 gilt DOF = Min(0,4; 0,9; 0,8) = 0,4. Regel 2 ist somit zum Grade
0,4 erfüllt.
Zu (c): Im Zuge von Cross-Impact-Analysen werden Kreuzeinflüsse zwischen kritischen De-

skriptoren ermittelt, die sich u.a. auf Time Lags, kausalitätsbedingte Reihenfolgen etc. bezie-
hen können. Es bietet sich dann wiederum die Konstruktion und Anwendung von Regelsys-
temen an (wie unter (2) skizziert). Dabei kann man beispielsweise die Gesamtrelevanz eines
Annahmebündels unter Beurteilung dessen Gesamtkonsistenz und Gesamtpossibilität beur-
teilen (vgl. Spengler 2012, S. 81 f.).
Wir wollen die Ausführungen zu Kap. 10 mit der Bemerkung abschließen, dass die Ambi-
guitätsformen der Unsicherheit und der Unschärfe in der Wirtschaftspraxis häufig in Kom-
bination auftreten. In solchen Fällen kann es sich dann u.a. anbieten, stochastische oder pos-
sibilistische Ansätze der Fuzzy Optimierung oder des Fuzzy Control zu verwenden, z.B. sol-
che mit unscharfen Eintrittswahrscheinlichkeiten (vgl. z.B. Rommelfanger/Eickemeier 2002,
Spengler 2005, und Metzger/Spengler 2017).
10.2.2.2 Übungsaufgaben
Aufgabe 47
Was versteht man unter LR-Fuzzy Sets und warum sollte man diese bei der Formulierung
von unscharfen Planungsmodellen in Ansatz bringen?
Aufgabe 48
Wozu benötigt man linguistische Variable?
Aufgabe 49
Welcher Vorteil ist mit der Verwendung von Singletons verbunden?
Aufgabe 50
Warum werden bei FULPAL unscharfe Nutzenmengen konstruiert und ein Mehrziel- sowie
ein Kompromissprogramm formuliert?
Aufgabe 51
Wie gelangt man von (R.25) zu (R. 27) und von (R.26) zu (R.28)?
Aufgabe 52
Was versteht man unter einem kybernetischen System?
Aufgabe 53
Welche Rolle spielt der modus (ponendo) ponens im Fuzzy Control?
Aufgabe 54
Auf Lotfi A. Zadeh, den Begründer der Fuzzy Set-Theory, geht der Aphorismus „Anything
is fuzzy“ zurück. Müssen linguistische Variable immer fuzzy Größen sein?
Aufgabe 55
Wann sollte man eine possibilistische einer probabilisitischen Cross-Impact-Analyse gegen-

über vorziehen?
11 Ermittlungsmodelle der
Personalplanung
11.1 Überblick
Während es für den Bereich des Personaleinsatzes neben einer schlichten Feststellungsglei-
chung, über welche die drei Einsatzalternativen (s. S. 131) festgehalten werden, keine diffe-
renzierten Ermittlungsverfahren gibt, stehen für die Ermittlung des Personalbedarfs und der
Personalausstattung jeweils diverse Modelle und Verfahren zur Verfügung. Zu diesen zäh-
len (a) allgemeine Schätzmodelle, (b) Festlegungs- und (c) Simulationsverfahren sowie (d)
Planungs- und (e) Berechnungsmodelle.
Zu (a): Zu den allgemeinen Schätzmodellen, die freilich auch für die Schätzung des (künfti-
gen) Personalbedarfs- und der künftigen Personalausstattung verwendet werden können,
zählen vor allem die Analogieschluss-, die Trendextrapolations- und die Indikatormethode
(vgl. Kossbiel 1988, S. 1055 ff.). Bei der Analogieschlussmethode geht man von der Annahme
aus, dass sich hinsichtlich mehrerer Merkmale ähnelnde Objekte (z.B. Unternehmen) auch
hinsichtlich eines weiteren Merkmals (hier: des Personalbedarfs oder der Personalausstat-
tung) ähneln. Wenn man also den Personalbedarf oder die Personalausstattung eines Unter-
nehmens kennt, dann kann man auch – so die Annahme – den Analogieschluss auf den künf-
tigen Personalbedarf oder die künftige Personalausstattung des eigenen Unternehmens zie-
hen. Problematisch ist hierbei jedoch, dass für das Vergleichsunternehmen geltende Beson-
derheiten nicht hinreichend berücksichtigt werden und dass man über dessen Personalbe-
darf oder die Personalausstattung (sofern man diese überhaupt kennt) nur sehr schwer zu-
treffende Informationen erhält. Bessere Informationen bekommt man zwar in aller Regel
über die Personalausstattung des Vergleichsunternehmens, aber von dieser auf den Perso-
nalbedarf schließen zu wollen (et vice versa), wäre ein mehr als fragwürdiges Unterfangen.
Unter einem Trend versteht man die Entwicklung einer Datenreihe. Bei der Trendextrapola-
tion schreibt man einen für die Vergangenheit festgestellten Trend in die Zukunft fort (Stich-
wort: Hochrechnung). Ein hierfür vielfach verwendetes Verfahren ist die Methode der kleins-
ten Quadrate, bei der (hier) die Summe der quadrierten Abweichungen einer Trendgeraden
von einer (empirisch festgestellten) Punktwolke minimiert wird. Die Problematik reiner
Trendfortschreibung liegt auf der Hand: Sie negiert potenzielle Trendumschwünge. Von den
drei genannten Methoden ist die (auf Regressions- oder zumindest auf Korrelationsrechnun-
gen basierende) Indikatormethode die beste, aber auch nur dann, wenn man in der Lage ist,
geeignete Indikatoren zu finden. Das auf dem lateinischen Verb indicare (anzeigen) basie-
rende Substantiv Indikator steht für eine Hinweisgröße als Anzeichen für eine aktuelle oder
künftige Entwicklung. Die Kunst der Indikation besteht nicht zuletzt im Auffinden geeigne-
ter Indikatoren. Zu den allgemeinen Schätzmodellen werden auch die sog. Expertenschät-
zungen (wie z.B. die Delphi-Methode) gezählt, bei denen vorab ausgewählte Experten (hier)
https://doi.org/10.1007/978-3-658-25935-8_11
120 Ermittlungsmodelle der Personalplanung
künftige Personalbedarfs- oder Personalausstattungsentwicklungen abschätzen. Diese kön-

nen mehr oder minder fundiert vorgenommen werden und schlussendlich auch auf den drei
soeben skizzierten Verfahren beruhen.
Zu (b): Im Zuge der Personalbedarfs- bzw. Personalausstattungsfestlegung determiniert eine

Entscheidungsinstanz Umfang und Struktur der gesuchten Größe(n). Diese Festlegung kann
mehr oder minder differenziert, fundiert und rational erfolgen. Manchmal ist sie auch der
Schlusspunkt mehrerer sukzessiv angewendeter Verfahren.
Zu (c): Simulationsmodelle (s.a. Kap. 5) sind solche, die ein faktisch oder zumindest potenzi-
ell vorhandenes Original in Gänze oder Teilen nachahmen oder nachempfinden und diesem
ähneln sollen. „Die Simulation dient [hier, d. Verf.] der Vorhersage der Zustände einzelner
Komponenten und des Gesamtsystems, wobei diese (End-) Zustände meist von einer Fülle
von Einflussfaktoren in Form von Wahrscheinlichkeitsverteilungen (z.B. für einen Maschi-
nenausfall) abhängen. Neben der Abbildung einzelner Komponenten und der Quantifizie-
rung der (stochastischen) Einflussfaktoren ist es notwendig, die Zusammenhänge zwischen
den Komponenten bzw. Elementen in einem Modell abzubilden. Simulation entspricht dann
der Durchführung von Stichprobenexperimenten in einem derartigen Modell (Domschke et
al. 2015, S. 233). In diesem Sinne können auch Personalbedarfe und -ausstattungen simuliert
werden, wobei u.a. Markov-Ketten-Modelle angewendet werden können (s. S. 128 ff.).
Zu (d): Unter Geltung des im vorliegenden Buch verwendeten dispositiven Planungsbegrif-

fes bedeutet planen immer auch entscheiden. D.h., dass jeglicher Planungsakt mit Entschei-
dungen einhergeht und auch in einer Entscheidung mündet. Bei der planerischen Ermittlung
von Personalbedarf oder -ausstattung werden somit über diese bzw. über ihre Determinan-
ten durch Anwendung geeigneter Modelle Entscheidungen vorbereitet bzw. getroffen. In
Kap. 12 lernen wir eine Reihe von Planungsmodellen kennen, in denen jeweils der Personal-
bedarf oder die Personalausstattung (mit)geplant werden.
Zu (e): Sowohl der Personalbedarf als auch die Personalausstattung lassen sich rechnerisch
ermitteln, wobei diese Berechnungen auf deterministischen, stochastischen oder unscharfen
Daten beruhen können. In den folgenden Abschnitten 11.2 und 11.3 gehen wir auf diese drei
Ermittlungsformen ein, während wir uns in 11.4 mit der allgemeinen Feststellungsgleichung
für den Personaleinsatz auseinandersetzen. Die Ermittlung aller drei Problembe-
reichsausprägungen dient als Planungsgrundlage für das jeweilige Komplement. Wenn man
also den Personalbedarf ermittelt, dann erfolgt dies zum Zwecke der Überprüfung der Per-
sonalausstattung (und ggf. des Personaleinsatzes) auf Bedarfsangemessenheit hin. Die Aus-
stattungsermittlung hat zum Ziel, den Personalbedarf (und ggf. den Einsatz) auf Ausstat-
tungsangemessenheit hin zu überprüfen und die Ermittlung des Personaleinsatzes zielt da-
rauf ab, die beiden anderen Bereiche hinsichtlich ihrer Einsatzadäquanz auf den Prüfstand
zu stellen.
Modelle zur rechnerischen Ermittlung des Personalbedarfs 121
11.2 Modelle zur rechnerischen Ermittlung des

Personalbedarfs
Wie bereits in Kap. 2.1.2 dargelegt, verstehen wir unter dem Personalbedarf die Art und die
Anzahl der in einem bestimmten Zeitraum und an einem bestimmten Ort benötigten Arbeits-
kräfte, wobei besagter Zeitraum entweder zeitstetig ist oder eine Abfolge diskreter Zeit-
punkte darstellt. Der Personalbedarf wird sowohl von solchen Größen bestimmt (vgl. Koss-
biel 1992, Sp. 1598 ff.), die direkt (sog. Primärdeterminanten) und von solchen, die über die
Primärdeterminanten indirekt auf ihn einwirken (sog. Sekundärdeterminanten). Die Primär-
determinanten des Personalbedarfs sind das betriebliche Leistungsprogramm, die Arbeits-
produktivität und die von den Arbeitskräften im Durchschnitt zur Verfügung gestellte Ar-
beitszeit. Das Leistungsprogramm wird in Arbeitseinheiten (𝐴𝐸) pro Periode (𝑃), die Ar-
beitsproduktivität in 𝐴𝐸 pro Arbeitszeit (𝐴𝑍) oder pro Arbeitskräfteperioden (𝐴𝐾 ∙ 𝑃) und
die von den Arbeitskräften im Durchschnitt zur Verfügung gestellte Arbeitszeit wird in 𝐴𝑍
pro 𝐴𝐾 und 𝑃 (𝐴𝑍/𝐴𝐾 ∙ 𝑃) gemessen. Zu den Sekundärdeterminanten zählen die Angebots-
und Nachfrageverhältnisse auf den Produkt- und Faktormärkten, Rechtsnormen, die betrieb-
liche Technologie und Arbeitsorganisation sowie der Leistungsbeitrag der Mitarbeiter (vgl.
ebd. Sp. 1599 f.). Personalbedarfsberechnungen müssen aus Gründen der Logik immer fol-
gender Grundgleichung genügen, die besagt, dass „die von den Arbeitskräften zur Verfü-
gung zu stellende Arbeitszeit pro Periode [der] zur Erfüllung der Betriebsaufgaben erforder-
liche[n] Arbeitszeit pro Periode“ gleich sein muss (Kossbiel 1988, S. 1057):
Grundgleichung zur Personalbedarfsberechnung:
𝐴𝑍 ! 𝐴𝐸 𝐴𝑍
𝑃𝐵[𝐴𝐾] ∙ = ∙ (PB. 1)
𝐴𝐾 ∙ 𝑃 𝑃 𝐴𝐸
In dieser Gleichung stehen die in eckigen Klammern angegebenen Größen für Dimensions-
angaben. Die Anzahl der benötigten Arbeitskräfte (Personalbedarf) wird in 𝐴𝐾 gemessen.
Multipliziert man diese mit der durchschnittlichen Arbeitszeit pro Arbeitskraft und Periode,
gelangt man auf der linken Seite des Gleichheitszeichens zu der Arbeitszeit, die pro Periode
insgesamt von den Arbeitskräften zur Verfügung zu stellen ist. Das vom Betrieb beabsich-
tigte Leistungsprogramm misst man in Arbeitseinheiten pro Periode. Dieses wird mit dem
sog. Arbeitskoeffizienten (dem Kehrwert der Arbeitsproduktivität) multipliziert, so dass
man rechts vom Gleichheitszeichen die zur Erfüllung der Betriebsaufgaben erforderliche Ar-
beitszeit pro Periode erhält.
Löst man (PB. 1) nach 𝑃𝐵[𝐴𝐾] auf, so ergibt sich
∙
𝑃𝐵[𝐴𝐾] = (PB. 2)
∙
Dividiert man (PB. 2) durch den reziproken Wert des obigen Arbeitskoeffizienten (die sog.
Arbeitsproduktivität), erhält man
𝑃𝐵[𝐴𝐾] = (PB. 3)
∙
∙
Im Nenner von (PB. 3) kann man kürzen:
𝑃𝐵[𝐴𝐾] = = , (PB. 4)
∙ ∙
∙
wobei man mit [𝐴𝐸/𝐴𝐾 ∙ 𝑃] wieder eine Arbeitsproduktivität erhält. Diese ist jedoch nicht
auf die Arbeitszeit, sondern auf die Arbeitskraft bezogen. Durch Multiplikation mit dem
Kehrwert ergibt sich dann
𝐴𝐾 ∙ 𝑃 𝐴𝐸
𝑃𝐵[𝐴𝐾] = ∙ , (PB. 5)
𝐴𝐸 𝑃
wobei [𝐴𝐾 ∙ 𝑃/𝐴𝐸] wiederum ein Arbeitskoeffizient ist.
Bisher sind wir davon ausgegangen, dass es sich bei den 𝐴𝐸 um Bewegungsgrößen, wie z.B.
zu produzierenden Stücken, zu erwirtschaftenden Umsätzen oder abzuschließenden Verträ-
gen, handelt. Handelt es sich hingegen um Bestandsgrößen, wie z.B. zu bedienenden Ma-
schinen oder zu besetzenden Dienststellen, dann lautet die Grundgleichung:
𝐴𝑍 ! 𝐴𝑍
𝑃𝐵[𝐴𝐾] ∙ = [𝐴𝐸] ∙ (PB. 6)
𝐴𝐾 ∙ 𝑃 𝐴𝐸 ∙ 𝑃
Durch Umformungen ergeben sich
[𝐴𝐸] ∙
∙
𝑃𝐵[𝐴𝐾] = (PB. 7)
∙
𝐴𝐾
𝑃𝐵[𝐴𝐾] = [𝐴𝐸] ∙ (PB. 8)
𝐴𝐸
[𝐴𝐸]
𝑃𝐵[𝐴𝐾] = (PB. 9)
Dabei ist [𝐴𝐸/𝐴𝐾] ein Bedienungskoeffizient und [𝐴𝑍/𝐴𝐸 ∙ 𝑃] sowie [𝐴𝐾/𝐴𝐸] sind Beset-
zungskoeffizienten.
Sowohl in (PB. 1) als auch in (PB. 6) kann man die 𝐴𝐸 durch Kürzen eliminieren und den
Personalbedarf auf der Basis des gesamten Arbeitszeitbedarfes (𝐴𝑍/𝑃) ermitteln. Man erhält
dann:
Modelle zur rechnerischen Ermittlung des Personalbedarfs 123
𝑃𝐵[𝐴𝐾] = (PB. 10)

∙
Bei den Gleichungen (PB. 1) bis (PB. 10) wird lediglich die quantitative Dimension ausge-
wiesen, die qualitative, die lokale und die temporale werden hingegen nicht differenziert
erfasst. Es bedarf jedoch nicht viel Fantasie, diese Gleichungen um die drei anderen Dimen-
sionen zu ergänzen.
Die rechnerische Ermittlung des Personalbedarfs ist in der betrieblichen Praxis eine sehr ver-
antwortungsvolle Tätigkeit, denn von ihr hängen nicht zuletzt Entscheidungen über die Per-
sonalbedarfsdeckung und last but not least Vorentscheidungen über den weiteren Lebens-
lauf einzelner Menschen ab. Neben der Einschätzung des (künftigen) Leistungsprogramms
ist vor allem die Bestimmung der Arbeitsproduktivitäten und -koeffizienten eine hoch kom-
plexe Aufgabe, bei denen z.B. Multimomentverfahren wie das MTM-Verfahren (vgl. Deut-
sche MTM-Vereinigung e. V. 2002) oder Refa-Verfahren (vgl. REFA-Verband für Arbeitsstu-
dien und Betriebsorganisation e. V. 1991) verwendet werden. Zur Personalbedarfsberech-
nung werden in der Wirtschaftspraxis (vgl. z.B. Kieper 1999, S. 9 ff.) u.a. das (a) Verfahren
von Rosenkranz (1968) und (b) das von Doeringer et al. (1972) eingesetzt.
Zu (a): Das Verfahren von Rosenkranz dient der Berechnung des eher kurzfristigen Perso-
nalbedarfs und wird sehr häufig in der Kredit- und in der Versicherungswirtschaft angewen-
det. Dabei werden drei Arten von Tätigkeiten unterschieden: Haupttätigkeiten, die Rosen-
kranz auch als Geschäftsvorfälle bezeichnet, werden per analytischer Zeiterfassung erhoben.
Die sog. Nebenarbeiten sind mit den Haupttätigkeiten mittelbar verbunden und werden
über einen Nebenarbeitszuschlag (𝑁𝐴𝑍) summarisch erfasst. Dieser geht neben einem Zu-
schlag für Erholungszeiten (𝐸𝑍) und einem solchen für Ausfallzeiten (𝐴𝐹𝑍) in den Zuschlag
für notwendige Verteilzeiten (𝑁𝑉𝑍) ein, und zwar wie folgt:
(1 + 𝑁𝐴𝑍) ∙ (1 + 𝐸𝑍)
𝑁𝑉𝑍 = (PB. 11)
(1 − 𝐴𝐹𝑍)
Alle Tätigkeiten, die nicht unter die Haupt- und nicht unter die Nebenarbeiten fallen, sind
sonstige Tätigkeiten, die mit einer „Zeit für Verschiedenes“ (𝑇 ∗ ) erfasst werden.
Unter Verteilzeiten versteht man in der Betriebswirtschaftslehre solche Zeiten, die der ein-
zelne Mitarbeiter nicht zu verantworten hat, die er in diesem Sinne nicht beeinflussen kann;
sie fallen an, ob er will oder nicht. Neben dem 𝑁𝑉𝑍 gibt es einen Faktor für tatsächliche Ver-
teilzeiten (𝑇𝑉𝑍), der ebenfalls aus einem Quotienten resultiert. Bezeichnet man (zusätzlich)
mit
𝑡 ≔ Berechnungsperiode
𝑁 ≔ {𝑛|𝑛 = 1, … , 𝑁} Menge der Haupttätigkeiten
𝑧 ≔ Zeit, die man laut Zeitstudie für eine Haupttätigkeit der Art 𝑛 benötigt
𝑥 ≔ Anzahl der in Periode 𝑡 anfallenden Haupttätigkeiten der Art 𝑛
𝑇 ≔ Arbeitszeit pro Arbeitskraft und Periode
#𝐴𝐾 ≔ Anzahl verfügbarer Arbeitskräfte
dann gilt für den 𝑇𝑉𝑍
tatsächlich benötigte Zeit für bestimmte Arbeiten lt. Tätigkeitsbericht

𝑇𝑉𝑍 = =
erforderliche Zeit für diese Arbeiten lt. Zeitstudie
#𝐴𝐾 ∙ 𝑇 − 𝑇 ∗
=
(PB. 12)
(𝑥 ∙𝑧 )
∈
und für den Personalbedarf in Periode 𝑡
(𝑥 ∙𝑧 ) 𝑇 ∗ 𝑁𝑉𝑍
∙ 𝑁𝑉𝑍 + ∙ (PB. 13)
𝑃𝐵 = ∈ 𝑇 𝑇𝑉𝑍
𝑇
Diese Berechnungsgleichung kann, wie unmittelbar einsichtig, auf die Grundgleichung zur
Personalbedarfsberechnung zurückgeführt werden und ist eine grundsätzlich akzeptable Er-
mittlungsmethode. Dies gilt zumindest dann, wenn man darüber hinwegsieht, dass derselbe
𝑁𝑉𝑍 sowohl für die Haupttätigkeiten als auch für Verschiedenes angesetzt wird. Zudem sind
Erholungs- und Ausfallzeiten (Stichwort: Absentismus) Korrekturvariable der Personalaus-
stattung und dürfen bei der Personalbedarfsermittlung nur in trivialen Fällen der Bereitstel-
lungs- und Verwendungseindeutigkeit in Ansatz gebracht werden.
Zu (b): Das Verfahren von Doeringer et al. dient der Berechnung des eher langfristigen Per-
sonalbedarfs, genauer: dessen Schätzung für eine Prognoseperiode 𝑡. Bezeichnet man mit
𝑡 ≔ Prognoseperiode
𝑡̂ ≔ Basisperiode
𝑃𝐾 ≔ Personalkosten
𝑂 ≔ preisbereinigter Wert des Outputs in 𝑡
𝑉 ≔ preisbereinigter Wert der Vorleistungen in 𝑡
𝑉
𝑃 ≔
𝑂
𝑊 ≔ 𝑂 − 𝑉 (Wertschöpfung im Basisjahr)
𝑃𝐾
𝐿 ≔
𝑊
Modelle zur rechnerischen Ermittlung der Personalausstattung 125
𝑅 ≔ jährliche Änderungsrate der Arbeitsproduktivität
𝐻 ( ) ≔ Arbeitsstunden pro Arbeitskraft in 𝑡 (𝑡̂)
𝑃𝐾
𝑆 ≔
𝐻
Dann lautet die Berechnungsgleichung wie folgt:
𝐿 ∙ 𝑂 ∙ (1 − 𝑃 )
𝑃𝐵 = (PB. 14)
(1 + 𝑅) ∙𝐻 ∙𝑆
Rechnet man hier 𝑃𝐾 heraus und bezeichnet man die Arbeitsproduktivität in 𝑡 mit 𝐴𝑃 , dann
lässt sich (PB. 14) vereinfachen zu (vgl. Kossbiel 1988, S. 1060):
𝑊
𝑃𝐵 = (PB. 15)
𝐴𝑃
Auch diese Gleichung kann – sofern die Wertschöpfung nicht negativ wird – als sinnvoll
erachtet werden.
Die Gleichungen (PB. 1) bis (PB. 15) dienen in der vorliegenden Form der Personalbedarfs-
berechnung auf der Basis deterministischer Daten. In der Wirtschaftspraxis kann es jedoch
erforderlich sein, auch stochastische oder unscharfe Daten in Ansatz zu bringen. Stochasti-
sche Personalbedarfe stellen Zufallsvariable dar, deren Determinanten (zumindest zum Teil)
ebenfalls Zufallsvariable sind. Der stochastische Gesamtpersonalbedarf ergibt sich dann aus
der Faltung korrespondierender Dichtefunktionen (vgl. Jarr 1978, S. 140 ff. und Kossbiel 1992,
Sp. 1602 f.). Bei der Berechnung eines unscharfen Personalbedarfes liegen dessen Determi-
nanten ganz oder teilweise in unscharfer Form vor, z.B. als 𝐿𝑅-Fuzzy Zahlen oder 𝐿𝑅-Fuzzy
Intervalle, die relativ einfach arithmetisch über die gängigen Rechenregeln verarbeitet wer-
den können (vgl. z.B. Rommelfanger 1994, S. 40 ff.).
11.3 Modelle zur rechnerischen Ermittlung der

Personalausstattung
Unter der Personalausstattung verstehen wir die Art und die Anzahl der in einem bestimm-
ten Zeitraum und an einem bestimmten Ort verfügbaren Arbeitskräfte. Bestände berechnet
man nach der allgemeinen Skontrationsgleichung immer wie folgt: Der Bestand einer aktu-
ellen Periode ergibt sich aus dem Bestand der Vorperiode zuzüglich aller zwischenzeitlichen
Zugänge und abzüglich aller zwischenzeitlichen Abgänge.
Für die Berechnung der Personalausstattung in einer aktuellen Periode 𝑡 (𝑃𝐴 ) folgt dann im
Besonderen: 𝑃𝐴 ist gleich 𝑃𝐴 plus allen Zugängen (aus Schulungen, Beförderungen, Ver-
setzungen und Einstellungen) sowie minus allen Abgängen (aus Schulungen, Beförderun-
gen, Versetzungen, Entlassungen und betrieblich nicht induzierten Austritten). Zu den letzt-
genannten Abgängen zählen alle, die von den Arbeitskräften ausgehen (z.B. Arbeitnehmer-
kündigungen) oder zu denen diese genötigt sind (z.B. durch Erreichung der gesetzlichen Al-
tersgrenze). Zum besseren Verständnis verwenden wir folgende Symbole:
𝑅 ≔ {𝑟 = 1, … , 𝑅} Menge der Arbeitskräftearten (hier: Qualifikationsarten)
𝑡 ≔ Periodenindex
𝑆 ≔ {𝑠 = 1, … , 𝑆} Menge der betrieblichen Sektoren (z.B. Abteilungen)
𝑃 ≔ {𝑝 = 1, … , 𝑃} Menge der hierarchischen Ränge, mit 𝑃 als höchstem Rang
𝑆 ≔ Maximalzahl an Sektoren, in denen Arbeitskräfte der Art 𝑟 auf Rang 𝑝 einge-

setzt werden können
𝑅 ≔ {𝑟 | von Basisqualifikationsart 𝑟 aus können Arbeitskräfte zur Qualifikationsart

𝑟 geschult werden}
𝑅∗ ≔ {𝑟 ∗ | zur Zielqualifikationsart 𝑟 ∗ können Arbeitskräfte von der Qualifikationsart

𝑟 aus geschult werden}
( ∗)
𝜏 ≔ Dauer einer Schulung von der Basisqualifikationsart 𝑟′ (Qualifikationsart 𝑟) zur
Qualifikationsart 𝑟 (Zielqualifikationsart 𝑟 ∗ )
𝑃𝐴 ≔ (Personal-) Ausstattung mit Arbeitskräften der Art 𝑟 auf Rang 𝑝 in Sektor 𝑠 und
Periode 𝑡
𝑃𝐸(𝑆) ≔ Anzahl an Arbeitskräften, die auf Rang 𝑝 in Sektor 𝑠 vor 𝑡 − 𝜏 Perioden

, ,
eine Schulung von 𝑟 nach 𝑟 begonnen haben
∗
𝑃𝐸(𝑆) ∗ ≔ Anzahl an Arbeitskräften, die auf Rang 𝑝 in Sektor 𝑠 vor 𝑡 − 𝜏 Perioden
, ∗,
∗
eine Schulung von 𝑟 nach 𝑟 begonnen haben
, ,
𝑣 ≔ Anzahl an Arbeitskräften der Art 𝑟, die in Periode 𝑡 auf Rang 𝑝 von Sektor 𝑠 in
Sektor 𝑠 versetzt werden
, ∗,
𝑣 ≔ Anzahl an Arbeitskräften der Art 𝑟, die in Periode 𝑡 auf Rang 𝑝 von Sektor 𝑠 in
Sektor 𝑠 ∗ versetzt werden
, , ,
𝑏 ≔ Anzahl an Arbeitskräften der Art 𝑟, die in Periode 𝑡 von Rang 𝑝 auf Rang 𝑝
befördert werden und dabei von Sektor 𝑠 in Sektor 𝑠 wechseln
, ∗, , ∗
𝑏 ≔ Anzahl an Arbeitskräften der Art 𝑟, die in Periode 𝑡 von Rang 𝑝 auf Rang 𝑝∗
befördert werden und dabei von Sektor 𝑠 in Sektor 𝑠 ∗ wechseln
ℎ ≔ Anzahl an Arbeitskräften der Art 𝑟, die in Periode 𝑡 für Rang 𝑝 und Sektor 𝑠
eingestellt werden
𝑓 ≔ Anzahl an Arbeitskräften der Art r, die in Periode t aus Rang p und Sektor s
entlassen werden
𝑎 ≔ sonstige Austritte von Arbeitskräften der Art 𝑟, in Periode 𝑡 aus Rang 𝑝 und
Sektor 𝑠
Bei dieser Notation ist u.a. zu beachten, dass die Sektorenindices von Rang zu Rang neu
durchgezählt werden und deshalb bei Beförderungen auch der Sektorindex wechseln kann.
Ansonsten gilt, dass sich bei Schulungen nur der Qualifikationsartenindex, bei Versetzungen
nur der Sektorindex und bei Beförderungen auf jeden Fall der Rangindex ändert. Damit
ergibt sich für die Fortschreibung der Personalausstattung folgende Gleichung (PA. 1):
𝑃𝐴 =
𝑃𝐴 } Anfangsausstattung
,
+ 𝑃𝐸(𝑆) − 𝑃𝐸(𝑆) ∗ } Schulung

, , , ∗,
∈ ∗∈ ∗
, , , ∗, } Versetzung
+ 𝑣 − 𝑣
∗
, , , , ∗, , ∗ } Beförderung
+ 𝑣 − 𝑣
∗ ∗
+ ℎ } Einstellung
− 𝑓 } Entlassung
− 𝑎 } sonstige Austritte
(PA. 1)
Zugänge Abgänge
Überträgt man diese Skontrationsgleichung in Tableauform, dann ergibt sich folgendes Per-
sonalbewegungstableau (vgl. Tabelle 11.1, Kossbiel 1988, S. 1068):
Das Tableau ist wie folgt aufgebaut: Sowohl in den Kopfzeilen als auch in den linken Rand-
spalten werden die Qualifikationsarten 𝑟, betrieblichen Sektoren 𝑠 und hierarchischen Ränge
𝑝 notiert. Zudem beziehen sich die linken Randspalten auf die Vorperiode 𝑡 − 1 und die
Kopfzeilen auf die aktuelle Periode 𝑡, man folgt also dem Muster „von 𝑡 − 1 nach 𝑡“. In der
ersten Fußzeile (Einstellungen) und der ersten rechten Randspalte (Freisetzungen und Aus-
tritte) hält man die externen Personalflüsse fest, während im Tableaukern die internen Flüsse
(Schulungen, Versetzungen und Beförderungen) sowie (entlang der Hauptdiagonalen) der
Verbleib auf der bisherigen Position (𝑟, 𝑠, 𝑝) notiert werden. Somit gelangt man in der unteren
Fußzeile zu 𝑃𝐴 und in der rechten Randspalte zu 𝑃𝐴 , .
Tabelle 11.1 Personalbewegungstableau
𝑡 𝑝 1 2 ⋯ 𝑃 Frei-
setzungen ,
𝑡−1 𝑠 1 2 ⋯ 𝑆 1 2 ⋯ 𝑆 ⋯ 1 2 ⋯ 𝑆 𝑃𝐴 ,
und
Austritte
𝑝 𝑠 𝑟 ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯
1 ⋮
2 ⋮
1
⋮ ⋮ Verbleib des in
Periode 𝑡 − 1
𝑆 ⋮ vorhandenen Personals
1 ⋮
2 ⋮
2
⋮ ⋮
Herkunft des Interne Flüsse
𝑆 ⋮ in Periode 𝑡
‒ Schulung
vorhandenen
⋮ ⋮ ⋮ ‒ Versetzung
Personals
‒ Beförderung
1 ⋮
2 ⋮
𝑃
⋮ ⋮
𝑆 ⋮
Externe
Einstellungen
Flüsse
,
𝑃𝐴 ,
Während wir bei den obigen Ausführungen zur Personalausstattungsberechnung wiederum

von deterministischen Zusammenhängen ausgegangen sind, lassen sich freilich auch hier
unscharfe oder stochastische Daten in Ansatz bringen. Bei Verwendung unscharfer Größen
bieten sich erneut 𝐿𝑅-Fuzzy Zahlen und 𝐿𝑅-Fuzzy Intervalle an. Stochastische Zusammen-
hänge können hingegen sehr gut über erneuerungstheoretische Modelle (vgl. Jarr 1978, S. 37
ff. und Kossbiel 1988, S. 1080 ff.) und über Markov-Ketten-Modelle (vgl. Jarr 1978, S. 25 ff.,
Kossbiel 1988, S. 1078 ff. und Gischer/Spengler 2008, S. 80 ff.) berücksichtigt werden. Auf die
Letztgenannten wollen wir nun etwas genauer eingehen:
Personalstrukturen können nach verschiedenen Merkmalen, wie z.B. Alters-, Qualifikations-

und Tarifgruppen, hierarchischen Rängen, betrieblichen Sektoren, Dienstaltersstufen etc. dif-
ferenziert werden. Die Personalausstattung einer Periode 𝑡 kann man dann als Vektor
𝐏𝐀⃗ ≔ 𝑃𝐴 ⋯ 𝑃𝐴 ⋯ 𝑃𝐴 (PA. 2)
formulieren. Der Index 𝑖 (𝑖 = 1, 2, . . . , 𝑚) steht dabei für eine bestimmte Konstellation der
Strukturmerkmale, wie z.B. einer Konstellation aus hierarchischem Rang, betrieblichem Sek-
tor und Qualifikationsgruppe. Vergleicht man diese Vektoren über mehrere Perioden, so las-
sen sich die vollzogenen internen und externen Flüsse (z.B. Beförderungen, Versetzungen,
Schulungen, Austritte) ermitteln. Sofern diese Flüsse als stochastische Prozesse aufgefasst
werden und wenn man unterstellen darf, dass es sich dabei um diskrete, endliche Prozesse
vom Markov-Typ handelt, bei denen der Zustand, in dem sich ein Systemelement im Zeit-
punkt 𝑡 befindet, ausschließlich davon abhängig ist, in welchem Zustand es sich in 𝑡 − 1 be-
fand, so können sog. Markov-Ketten-Modelle formuliert werden, die sich u.E. besonders gut
zur simulativen Entwicklung alternativer Personalausstattungsszenarien eignen.
Als zentrales Element dieser Modelle fungiert die sog. Matrix der Übergangswahrscheinlich-
keiten 𝐏, mit
𝑝 ⋯ 𝑝 ⋯ 𝑝
⎡ ⋮ ⋱ ⋮ ⋰ ⋮ ⎤
⎢ ⎥
𝐏 ≔ ⎢𝑝 ⋯ 𝑝 ⋯ 𝑝
⎥
⎢ ⋮ ⋰ ⋮ ⋱ ⋮ ⎥
⎣𝑝 ⋯ 𝑝 ⋯ 𝑝 ⎦
Für den Fall 𝑖 = 𝑗 gibt 𝑝 die Wahrscheinlichkeit des Verbleibens auf Position 𝑖 im Zeitraum
von 𝑡 bis 𝑡 + 1 und für den Fall 𝑖 ≠ 𝑗 die Wahrscheinlichkeit des Wechsels von Position 𝑖 zu
Position 𝑗 im Zeitraum von 𝑡 bis 𝑡 + 1 an. Zudem symbolisiert 𝑤 die Wahrscheinlichkeit des
Ausscheidens des 𝑖-ten Systemelements, mit
𝑤 = 1− 𝑝 (PA. 3)
Zur differenzierten Berücksichtigung betrieblicher Eingriffe in die Personalausstattung emp-

fiehlt sich die Verwendung eines Vektors der Einstellungen und Entlassungen
𝐠⃗ ≔ 𝑔 ⋯ 𝑔 ⋯ 𝑔 ,
wobei positive (bzw. negative) Elemente dieses Vektors die Anzahl der jeweiligen Einstel-
lungen (bzw. Entlassungen) darstellen. Damit kann die Grundgleichung für die Personalaus-
stattungsprognose wie folgt formuliert werden:
𝐏𝐀⃗ = 𝐏𝐀⃗ ∙ 𝐏 + 𝐠⃗ ∙ 𝐏 (PA. 4)
Auf Basis dieser Grundgleichung lassen sich vielfältige Simulationen durchführen. Beispiels-
weise kann über (PA. 4) berechnet werden, wie sich die Personalausstattung nach 𝑡 Perioden
verändern wird, wenn man von einer stabilen Beförderungs-, Versetzungs- und Schulungs-
politik (Stabilität von P) ausgeht und auf Einstellungen sowie Entlassungen verzichtet oder
Einstellungen und Entlassungen gemäß der jeweils gültigen Vektoren vornimmt. Man kann
aber z.B. auch berechnen, mit welcher Personalanfangsausstattung man starten müsste, um
nach 𝑡 Perioden zu einer vordefinierten Zielausstattung zu gelangen. Über die aus (PA. 4)
abgeleitete Gleichung
𝐠⃗ = 𝐏𝐀⃗ ∙ [𝐄 − 𝐏], mit 𝐄 ≔ Einheitsmatrix (PA. 5)
lässt sich – um ein letztes Beispiel zu nennen – bestimmen, welche Einstellungen und Entlas-
sungen vorzunehmen sind, damit Personalanfangs- und -zielausstattung übereinstimmen.
Neben der Vorgabe von Ziel- oder Gleichgewichtsausstattungen eignen sich vor allem Vari-
ationen der Einstellungs- und Entlassungsvektoren aber auch der Übergangsmatrizen 𝐏 als
Simulationsparameter. Den letztgenannten Aspekt wollen wir abschließend wie folgt skiz-
zieren: Die Matrix 𝐏 kann nach Maßgabe der betrieblichen Beschäftigungspolitik unter-
schiedlich gestaltet sein. Geht man ohne Beschränkung der Allgemeinheit davon aus, dass
die Wertigkeit der Positionen von 𝑖 = 1 nach 𝑚 steigt, dann sieht man, dass die in Abbil-
dung 11.1 skizzierten Matrizen verschiedene idealtypische Beschäftigungspolitiken reprä-
sentieren (die schraffierten bzw. linierten Bereiche symbolisieren positive Übergangswahr-
scheinlichkeiten, die nicht schraffierten Bereiche solche i. H. v. null):
Abbildung 11.1 Idealisierte Übergangsmatrizen 𝐏 bei alternativen

Beschäftigungspolitiken
Abstieg Aufstieg Verbleib
Tendenz zu Tendenz Vielfalt

Extrema zur Mitte
Solche Muster alternativer Beschäftigungspolitiken und die korrespondierenden Matrizen

der Übergangswahrscheinlichkeiten liefern wertvolle Hinweise für die jeweils resultieren-
den Szenarien. Die Wahl der (nicht zuletzt durch demografische Konditionen restringierten)
optimalen Personalpolitik sollte jedoch das Ergebnis einer rationalen betrieblichen Entschei-
dung sein. Mit der Formulierung von Entscheidungsmodellen beschäftigen wir uns in Kap.
12.
Ermittlung des Personaleinsatzes 131
11.4 Ermittlung des Personaleinsatzes

In Kap. 2.1.2 stellen wir fest, dass der Personaleinsatz das Bindeglied zwischen den Problem-
bereichen Personalbedarf und -ausstattung darstellt. Hier geht es um die Zuordnung verfüg-
barer Arbeitskräfte zu Allokationsobjekten (vgl. Spengler 2011, S. 573 ff.), wobei als Alloka-
tionsalternativen der Einsatz in Leistungsprozessen, also Tätigkeiten oder organisatorischen
Einheiten (s. die lokale Dimension des Personalbedarfs), der Einsatz in Schulungsprozessen
(sog. Off the Job-Schulung) oder der Einsatz in Ausleihprozessen (nicht-kommerzielle, d.h.
echte, Arbeitnehmerüberlassung i.S. des AÜG) in Betracht kommen. Die Feststellung wie
viele Arbeitskräfte welcher Art in welche Einsatzalternativen in Periode 𝑡 alloziiert werden,
kann in Gleichungsform notiert werden. Im Gegensatz zur rechnerischen Ermittlung des Per-
sonalbedarfs und der Personalausstattung existieren hier keine besonderen Verfahren oder
Modelle. Wir definieren folgende Symbole:
𝑅 ≔ {𝑟|𝑟 = 1, … , 𝑅} Menge der Arbeitskräftearten
𝑄 ≔ {𝑞|𝑞 = 1, … , 𝑄} Menge der Tätigkeitsarten
𝑇 ≔ {𝑡|𝑡 = 1, … , 𝑇} Menge der Teilperioden
𝑆 ≔ {𝑠|𝑠 = 1, … , 𝑆} Menge der Sektoren
𝑃𝐸 ≔ Anzahl an Arbeitskräften der Art 𝑟 ∈ 𝑅 und aus Sektor 𝑠 ∈ 𝑆, die in Periode 𝑡 ∈

𝑇 insgesamt eingesetzt werden
𝑃𝐸 ≔ Anzahl an Arbeitskräften der Art 𝑟 ∈ 𝑅, die in Periode 𝑡 ∈ 𝑇 und in Sektor 𝑠 ∈ 𝑆

im Leistungsprozess für Tätigkeiten der Art 𝑞 ∈ 𝑄 eingesetzt werden
𝑃𝐸(𝑆) , ∗ ≔ Anzahl an Arbeitskräften der Art 𝑟 ∈ 𝑅 aus Abteilung 𝑠 ∈ 𝑆, die in Periode 𝑡 ∈ 𝑇

eine Schulung zur Zielqualifikation 𝑟 ∗ beginnen
𝑃𝐸(𝐿) ≔ Anzahl an Arbeitskräften der Art 𝑟 ∈ 𝑅 aus Abteilung 𝑠 ∈ 𝑆, die in Periode 𝑡 ∈

𝑇 (nicht-kommerziell) ausgeliehen werden
𝑅∗ ≔ Menge der Zielqualifikationsarten 𝑟 ∗ die von der Qualifikationsart 𝑟 ∈ 𝑅 aus er-

reicht werden können
∗
𝜏 ≔ Dauer einer Schulung von der Qualifikationsart 𝑟 ∈ 𝑅 Zielqualifikationsart 𝑟 ∗
Berücksichtigt man zudem mit

∗
𝛿 ≔ Erfolgswahrscheinlichkeit einer Schulung von der Qualifikationsart 𝑟 ∈ 𝑅 Ziel-
qualifikationsart 𝑟 ∗
dann lässt sich zur Fundierung von 𝑃𝐸(𝑆) , ∗ ein Schulungstableau nach folgendem Muster
aufstellen (s. Tabelle 11.2):
Tabelle 11.2 Schulungstableau
Zielqualifikationen
1 2 ⋯ 𝑟∗ ⋯ 𝑅∗
1
Ausgangsqualifikationen
∗ > 0, wenn (𝑟, 𝑟 ∗ ) ein realisierbarer Schulungsgang ist

2 𝜏 =
nicht definiert sonst
⋮
𝑟 >0
∗ , wenn (𝑟, 𝑟 ∗ ) ein realisierbarer Schulungsgang ist
𝛿 = ≤1
⋮
nicht definiert sonst
𝑅
In einem solchen Tableau können mit - und × auch (un)zulässige Schulungsgänge oder aber
Teilnehmerzahlen und andere Schulungsdaten vermerkt werden.
Die gesuchte Feststellungsgleichung lautet dann wie folgt:
,
𝑃𝐸 = 𝑃𝐸 𝑃𝐸(𝑆) , ∗ + 𝑃𝐸(𝐿) (PE. 1)
∗∈ ∗ ∗
∈
Sie besagt, dass alle im Sektor 𝑠 und in Periode 𝑡 sich in Einsatz befindlichen Arbeitskräfte
der Art 𝑟 entweder im Leistungsprozess oder in der Schulung oder in der Ausleihe eingesetzt
werden. Als Schulungsgänge kommen solche in Frage, die von Qualifikationsart 𝑟 aus zu
∗
erreichbaren Zielqualifikationsarten 𝑟 ∗ ∈ 𝑅 ∗ führen können. Arbeitskräfte, die vor 𝑡 − 𝜏 Pe-
rioden oder früher die Schulung begonnen haben, haben diese mittlerweile beendet. In Schu-
lung befinden sich in Periode 𝑡 somit nur solche Arbeitskräfte, die die Schulung im Zeitin-
∗
tervall 𝑡 − 𝜏 + 1, 𝑡 begonnen haben.
11.5 Übungsaufgaben
Aufgabe 56
Erläutern Sie folgende Aussagen unter Bezugnahme auf den expliziten und den impliziten
Ansatz: Die Ermittlung aller drei Problembereichsausprägungen dient als Planungsgrund-
lage für das jeweilige Komplement. Wenn man also den Personalbedarf ermittelt, dann er-
folgt dies zum Zwecke der Überprüfung der Personalausstattung (und ggf. des Personalein-
Übungsaufgaben 133
satzes) auf Bedarfsangemessenheit hin. Die Ausstattungsermittlung hat zum Ziel den Perso-
nalbedarf (und ggf, den Einsatz) auf Ausstattungsangemessenheit hin zu überprüfen und die
Ermittlung des Personaleinsatzes hat zum Ziel, die beiden anderen Bereiche hinsichtlich ih-
rer Einsatzadäquanz auf den Prüfstand zu stellen.
Aufgabe 57
Inwiefern werden Personalbedarfe für Zeiträume oder Zeitpunkte ermittelt?
Aufgabe 58
Erläutern Sie, warum die Quotienten [𝐴𝐸/𝐴𝑍] und [𝐴𝑍/𝐴𝐸] als Arbeitsproduktivität und Ar-
beitskoeffizient bezeichnet werden!
Aufgabe 59
Ein Automobilzulieferer produziert genau eine Reifenart und die vom einzigen Kunden ab-
genommene Anzahl an Reifen ist für die nächsten drei Jahre vertraglich festgelegt. Um die
vereinbarte Reifenanzahl liefern zu können, produziert das Unternehmen momentan 480
Reifen in der Woche. Aufgrund von Erfahrungswerten ist bekannt, dass ein Mitarbeiter im
Durchschnitt einen Reifen pro Arbeitsstunde herstellt. Aktuell arbeiten die Mitarbeiter in der
Reifenherstellung des Unternehmens acht Stunden am Tag bzw. 40 Stunden in der Woche.
a. Ermitteln Sie auf Basis der obigen Angaben die für die Produktion von 480 Reifen benö-
tigte Anzahl an Arbeitskräften! Geben Sie explizit die Dimensionierung der von Ihnen in
die Bedarfsermittlung einbezogenen Größen an!
b. Auf Wunsch des Betriebsrats soll das Unternehmen Überlegungen anstellen, inwiefern
es sich als sinnvoll erweisen kann, die Arbeitszeit pro Tag um eine Stunde zu reduzieren.
Diskutieren Sie die möglichen Auswirkungen dieser Maßnahme auf den Personalbedarf
in der Reifenproduktion des Unternehmens!
c. Zur Überprüfung der Auswirkungen einer Arbeitszeitreduktion auf 35 Stunden pro Mit-
arbeiter und Woche möchte das Unternehmen im Rahmen einer „Test-Arbeitswoche“
feststellen, inwieweit diese Reduktion die Produktionsmenge pro Woche tatsächlich be-
einflusst. Die Anzahl eingesetzter Mitarbeiter entspricht dabei dem in a) bestimmten Per-
sonalbedarf. Zur Verwunderung des Managements wird das Produktionsziel von 480
Reifen trotz reduzierter Arbeitszeit erreicht.
Welche Ursache könnte diesem Phänomen zugrunde liegen? Begründen Sie Ihre Antwort
rechnerisch und gehen Sie explizit auf die Zusammenhänge zwischen der Maßnahme der
Arbeitszeitreduktion und deren Wirkungen ein!
Aufgabe 60
Die Personalabteilung eines Aluminiumwerks hat von der Geschäftsführung den Auftrag
erhalten, den Personalbedarf für seine Abteilung für Qualitätskontrollen zu ermitteln.
Im Rahmen der in dieser Abteilung anfallenden Qualitätskontrollen sind verschiedene Mes-

sungen durchzuführen. Der mit diesen Messungen verbundene Zeitaufwand und die Häu-
figkeiten der einzelnen Messvorgänge wurden von der Personalabteilung bereits ermittelt
und sind in Tabelle 11.3 dargestellt:
Tabelle 11.3 Ergebnisse der Zeitstudie im Aluminiumwerk
Zeitaufwand pro Durchschnitt-

Durchschnitt-
Untersuchungsvor- liche tatsächlich
Art der Arbeit liche Anzahl pro
gang in Minuten aufgewendete
Woche
(lt. Zeitstudie) Zeit pro Woche
Gewichts-
400 2
bestimmungen
Überprüfung
250 5
der Maße
Härtetests 100 15 168 Std. 45 Min.
Überprüfung der
Oberflächen auf 275 8
Unebenheiten
Entgratungskontrollen 50 20
Sonstiges keine Angaben 31 Std. 15 Min.
Zudem hat die Personalabteilung festgestellt, dass durchschnittlich 17,5% der Arbeitszeit für
Vor- und Nachbereitungsarbeiten anfallen, 10,5% als Erholungszuschlag anzusetzen sind
und Ausfallzeiten von etwa 7% anfallen.
a. Ermitteln Sie mithilfe der Rosenkranz-Formel den Personalbedarf in der Abteilung für
Qualitätskontrollen! Gehen Sie dabei von einer wöchentlichen Arbeitszeit von 40 Stun-
den aus!
b. Zeigen Sie, dass sich die Rosenkranz-Formel auf die Grundgleichung zur Ermittlung
des Personalbedarfs zurückführen lässt!
Aufgabe 61
Ein mittelständisches Unternehmen verfüge über Arbeitskräfte, deren Position – ausge-

drückt durch Ihren Rang 𝑝, ihre Abteilung 𝑠 und ihre Qualifikation 𝑟 – folgender Übersicht
(vgl. Abbildung 11.2) zu entnehmen ist:
Übungsaufgaben 135
Abbildung 11.2 Unternehmenshierarchie nach Rang, Abteilung und Qualifikation
r=8 p=4
r=6 r=7 p=3

s=1
r=5 r=6 r=6 r=7 p=2

s=1 s=2
r=1 r=2 r=4 r=2 r=4 r=6 r=3 r=6 r=4 r=5
p=1
s=1 s=2 s=3 s=4
Grundsätzlich können innerhalb dieses Unternehmens alle logisch möglichen Versetzungen

und Beförderungen veranlasst werden. Degradierungen sind hingegen ausgeschlossen. Zu-
dem können Arbeitskräfte einer Qualifikation 𝑟 zu den in der folgenden Tabelle 11.4 ange-
gebenen Zielqualifikationen 𝑟 ∗ geschult werden:
Tabelle 11.4 Schulungsmöglichkeiten
𝑟∗ 4 𝑟∗ 5 𝑟∗ 6 𝑟∗ 7
𝑟 2 - - -
𝑟 3 - - -
𝑟 4 - -
𝑟 5 - - -
𝑟 6 - - -
a. Tragen Sie alle möglichen Beförderungen (B), Versetzungen (V) und Schulungen (S) von
Arbeitskräften in ein Personalbewegungstableau ein!
b. Formulieren Sie die Gleichungen zur Fortschreibung der Personalausstattung für alle
,
𝑃𝐴 , für beliebige Perioden 𝑡 ∈ 𝑇! Gehen Sie dabei davon aus, dass für alle Personalaus-
stattungen Einstellungen und Entlassungen möglich sind!
Aufgabe 62
Als Grundlage für zukünftige personalwirtschaftliche Entscheidungen möchte das Unter-
nehmen aus Aufgabe 61 die Entwicklungen der Personalausstattungen in den Abteilungen
,
𝑠 = 1 und 𝑠 = 2 auf Rang 𝑝 = 1 abschätzen. Die entsprechenden Personalausstattungen 𝑃𝐴 ,
in 𝑡 = 0 lauten:
, , , , , ,
𝑃𝐴 , = 23; 𝑃𝐴 , = 35; 𝑃𝐴 , = 32; 𝑃𝐴 , = 42; 𝑃𝐴 , = 37; 𝑃𝐴 , = 18
Das Unternehmen geht nach einer intensiven Analyse der Daten der Vergangenheit davon
aus, dass die Wahrscheinlichkeit eines Verbleibs einer Arbeitskraft in einer 𝑟-𝑠-𝑝-Konstella-
tion für die erste Abteilung (zweite Abteilung) 0,79 (0,82) beträgt. Ebenso ergab die Analyse,
dass Arbeitskräfte abteilungsunabhängig mit einer Wahrscheinlichkeit von 0,07 versetzt so-
wie mit einer Wahrscheinlichkeit von 0,03 geschult werden (die Schulungsdauer beträgt eine
Periode).
a. Stellen Sie für den Fall, dass vorerst keine Einstellungen und Entlassungen vorgesehen
sind, jeweils ein entsprechendes Markov-Ketten-Modell zur Schätzung der genannten
Personalausstattungen für die Perioden 𝑡 = 1 und 𝑡 = 3 auf!
,
b. Gehen Sie nun davon aus, dass in 𝑡 = 1 folgende Einstellungen ℎ , und Entlassungen
,
𝑓 , geplant sind:
, , , , , ,
ℎ , = 7; ℎ , = 2; ℎ , = 1; ℎ , = 0; ℎ , = 3; ℎ , =4
𝑓 , , = 2; 𝑓 , , = 0; 𝑓 , , = 1; 𝑓 , , = 1; 𝑓 , , = 2; 𝑓 , , = 0
Wie ändert sich die Lösung aus Aufgabenteil a. für die Periode 𝑡 = 1?
Aufgabe 63
Ein Unternehmen betreibt insgesamt 3 Standorte (𝑠 = 1,2,3), an welchen jeweils dieselben
Arten von Aufgaben (𝑞 = 1,2,3,4,5) zu erledigen sind. Dafür stehen an allen Standorten ins-
gesamt 6 Arten von Arbeitskräften (𝑟 = 1,2,3,4,5,6) zu Verfügung. Die entsprechenden Be-
reitstellungs- und Verwendungsmöglichkeiten sind in Tabelle 11.5 aufgeführt:
𝑟=1 𝑟=2 𝑟=3 𝑟=4 𝑟=5 𝑟=6

𝑞=1 × - × - × -
𝑞=2 - × - × × -
𝑞=3 - - × × ×
𝑞=4 - - - × - ×
𝑞=5 - - - - - ×
Neben dem Einsatz im Leistungsprozess lässt das Unternehmen interne Leihprozesse von
Übungsaufgaben 137
Arbeitskräften der Art 𝑟 = 1,2,3 und 4 von Standort 𝑠 = 1 zu den anderen Standorten zu
(weitere Leihprozesse sind ausgeschlossen). Zudem können an allen Standorten Arbeits-
kräfte nach Maßgabe des folgenden Tableaus (vgl. Tabelle 11.6) geschult werden:
Tabelle 11.6 Schulungsmöglichkeiten
𝑟∗ = 3 𝑟∗ = 4 𝑟∗ = 5
𝑟=1 × - -
𝑟=2 - × -
𝑟=3 - - ×
Formulieren Sie alle Gleichungen zur Ermittlung der Personaleinsätze 𝑃𝐸 , !

12 Isolierte, integrierte, sukzessive
und simultane
Entscheidungsmodelle der
Personalplanung
12.1 Überblick
Bevor ein konkretes Planungsmodell formuliert werden kann, ist die Planungssituation
(auch) daraufhin zu analysieren, welche Problembereiche als Datum und welche als Gegen-
stand der Planung anzusehen sind, d.h. es sind Referenz- und Teilbereiche der Planung fest-
zulegen. Beachtet man, dass der Personalbedarf den Personalsektor mit den übrigen betrieb-
lichen Teilbereichen verbindet, dass der Personaleinsatz nie Datum der Personalplanung
sein kann, und definiert man simultane Personalplanungen als solche, bei denen alle drei o.g.
Problembereiche der Personalplanung gleichzeitig geplant werden, dann lassen sich vier Ty-
pen von Planungsmodellen unterscheiden (Kossbiel 1988, S. 1106 und Vieth 1999, S. 20). In
Tabelle 12.1 sind diese Modelltypen aufgeführt:
Tabelle 12.1 Referenz- und Teilbereiche der Personalplanung
Personalplanung sukzessive simultane
reine Personaleinsatzplanung
isolierte nicht definiert
reine Personalbereitstellungs-
planung
reine Personalverwendungs-
integrierte simultane Personalplanung
planung
Isoliert und sukzessiv sind Personalplanungen dann, wenn der Personalbedarf Datum ist. In
dieser Klasse kennen wir zwei Modelltypen, nämlich die reine Personaleinsatzplanung, bei
der unter gegebenem Personalbedarf und gegebener Personalausstattung der Personalein-
satz optimiert wird und die reine Personalbereitstellungsplanung, bei der die Personalaus-
stattung und (ggf.) der Personaleinsatz durch Entscheidungsvariablen repräsentiert werden.
Bei integrierten Personalplanungen wird der Personalbedarf als (Entscheidungs-) Variable
in den Kalkül eingebracht, wobei entweder ein Modell der simultanen Personalplanung oder
ein Modell der reinen Personalverwendungsplanung vorliegt, und bei letzterer lediglich die
Personalausstattung als Referenzbereich der Planung fungiert.
https://doi.org/10.1007/978-3-658-25935-8_12
140 Isolierte, integrierte, sukzessive und simultane Entscheidungsmodelle der Personalplanung
12.2 Reine Personaleinsatzplanung
12.2.1 Grundmodell
Die Entscheidungssituation der reinen Personaleinsatzplanung ist dadurch charakterisiert,
dass für den vorab (als Datum) festgelegten Personalbedarf und die vorab (als Datum) fest-
gelegte Personalausstattung der optimale Personaleinsatzplan gesucht wird (vgl. Spengler
2004, Sp. 1469 ff.). Wir wollen im Folgenden ein (einperiodiges) Grundmodell formulieren,
bei dem einzelne Arbeitskräfte 𝑟 ∗ (𝑟 ∗ = 1, … , 𝑅 ∗ ) einzelnen Arbeitsplätzen oder Jobs 𝑞 ∗ (𝑞∗ =
1, … , 𝑄∗ ) optimal zugeordnet werden. Dieser – eine Variante eines erstmals von Dantzig
(1954) formulierten Zuordnungsmodells darstellende – Ansatz dient zur Lösung des sog.
klassischen Personnel Assignment-Problems und zählt nach obiger Definition zur Personal-
planung im engsten Sinne. Wir haben es hier also mit einem Problem der sog. individuellen
Personalplanung zu tun. Der Modellierung legen wir folgende Symbole zugrunde:
Mengen
∗
𝑄 ≔ {𝑞∗ |𝑞∗ = 1, … , 𝑄∗ } Menge einzelner Stellen oder Jobs
∗
𝑅 ≔ {𝑟 ∗ |𝑟 ∗ = 1, … , 𝑅 ∗ } Menge einzelner Arbeitskräfte
Daten
𝑒 ∗ ∗ ≔ Zielfunktionskoeffizient bei Zuordnung von Arbeitskraft 𝑟 ∗ zu Job oder Stelle 𝑞 ∗

(z.B. Neigungs- oder Eignungsgrad, Kosten- oder Deckungsbeitragssatz)
1, wenn Arbeitskraft 𝑟 ∗ Job oder Stelle 𝑞∗ zugeordnet wird

𝑥 ∗ ∗ ≔
0, sonst
Mit diesen Symbolen lautet das Grundmodell wie folgt:
Zielfunktion:
∗ ∗
𝑒 ∗ ∗ ∙𝑥 ∗ ∗ → max! oder min! (𝑍. 8)

∗ ∗
[Lies: Ordne die Arbeitskräfte 𝑟 ∗ den Jobs oder Stellen 𝑞∗ so zu, dass die Zielfunktion maxi-
miert oder minimiert wird. Als Zielfunktionskoeffizienten kommen z.B. Eignungsgrade, Nei-
gungsgrade, Kosten- oder Deckungsbeitragssätze in Betracht.]
u.d.N.:
Reine Personaleinsatzplanung 141
∗
𝑥 ∗ ∗ =1 ∀ 𝑟∗ ∈ 𝑅 (R. 29)
∗
[Lies: Ordne jede Arbeitskraft genau einer Stelle oder einem Job zu.]
∗
∗
𝑥 ∗ ∗ =1 ∀ 𝑞∗ ∈ 𝑄 (R. 30)
∗
[Lies: Ordne jeder Stelle oder jedem Job genau eine Arbeitskraft zu.]
∗ ∗
𝑥 ∗ ∗ ∈ {0,1} ∀ 𝑞∗ ∈ 𝑄 , 𝑟 ∗ ∈ 𝑅 (R. 31)
[Lies: Alle Entscheidungsvariablen sind nicht-negativ und binär.]
Verzichtet man in (R. 31) auf die explizite Binaritätsforderung und bringt somit lediglich
schlichte Nichtnegativitätsbedingungen in Ansatz, gelangt man aufgrund der spezifischen
Problemstruktur (sog. Set Partitioning-Problem; vgl. van Krieken et al. 2004) ebenfalls stets
zu binären Lösungen und kann somit ein aufwändig zu lösendes Problem der ganzzahligen
Optimierung in ein einfach zu lösendes Problem der linearen Optimierung überführen (vgl.
Domschke/Drexl 2002, S. 83).
Das beschriebene Grundmodell ist vielfältigen Variationen und Erweiterungen zugänglich:

Durch Verwendung des expliziten Ansatzes (Kap. 2.2.1.2) kann es z.B. in ein Modell der kol-
lektiven Personalplanung transformiert werden, es lässt sich durch eine geeignete Periodi-
sierung problemlos in einen dynamischen Ansatz umwandeln (vgl. Kossbiel 1992, Sp. 1663
ff.) und steht der Integration von Personalschulungsvariablen, Leiharbeitskräften etc. offen.
Zudem ist die Bestimmung der zuordnungsabhängigen Zielfunktionskoeffizienten nicht tri-
vial. In aller Regel beruhen sie auf scharfen oder unscharfen Profilvergleichen (vgl. Meiritz
1984), Euklidischen Distanzen (vgl. Daegling/Hermsen 1973), anderen Abstandsmaßen oder
probabilistischen (Übereinstimmungs-) Maßen (vgl. z.B. Hackstein/Zülch 1980 und Mensch
1971).
12.2.2 Dienstplanung
12.2.2.1 Dienstplanung im deterministischen Fall

Das Problem der Dienstplanung (vgl. z.B. Thielen 2018) stellt ein zentrales Problem der Per-
sonaleinsatzplanung dar und tritt in allen Betrieben auf, in denen die individuelle Arbeitszeit
der Beschäftigten von der Betriebszeit des Unternehmens abweicht. Die Modellansätze zur
Dienstplanung werden in der Literatur vielfach wie folgt differenziert (vgl. Günther 1989, S.
211 f. und Salewski 1998, S. 129 ff.): Über Ansätze des sog. Days Off Scheduling, auf die wir
unten ausführlicher eingehen wollen, werden den Arbeitskräften je nach Festlegung des Pla-
nungszeitraumes Arbeitstage und arbeitsfreie Tage zugeordnet. Modelle des sog. Shift
Scheduling sind häufig auf einen singulären Tag bezogen und thematisieren die Allokation
von konsekutiven Schichtmustern zu Arbeitskräften, während über das sog. – eine Kombi-
nation der beiden erstgenannten Problemtypen darstellende – Tour Scheduling den Mitar-
beitern Dienste mit differierenden (sich z.T. überschneidenden) Beginn- und Endzeitpunkten
zugewiesen werden (Abbildung 12.1).
Abbildung 12.1 Dienstplanungsprobleme
Dienstplanung
Days Off Scheduling Shift Scheduling Tour Scheduling
Zuordnung von Zuordnung von Zuordnung von

Arbeitstagen und Schichten diverser Diensten mit differie-
freien Tagen Muster renden Beginn- und
Endzeitpunkten
Quelle: Schroll/Spengler 2002, S. 124.
Zur Lösung deterministischer Days Off-Scheduling-Probleme wird in der Literatur eine Fülle
spezifischer Algorithmen angeboten (vgl. Nanda/Browne 1992, S. 85 ff.). Für Fälle, in denen
die Personalbedarfe und -ausstattungen homogen sind, in denen Personalbedarfsüber- im
Gegensatz zu -unterdeckungen zulässig sind, und in denen alle Arbeitskräfte an fünf auf-
einanderfolgenden Tagen arbeiten und dann en bloc zwei Tage frei haben, ist der sog.
Bechtold-Algorithmus ein gut geeignetes (optimierendes) Lösungsverfahren (vgl. Bechtold
1981). Wir wollen diesen aus fünf Schritten bestehenden Algorithmus anhand des folgenden
Beispiels erläutern, in dem die Personalbedarfe (𝑃𝐵 ) über eine 7-Tage-Woche wie folgt ver-
teilt sind (vgl. Tabelle 12.2):
𝑃𝐵 𝑃𝐵 𝑃𝐵 𝑃𝐵 𝑃𝐵 𝑃𝐵 𝑃𝐵
10 12 13 9 14 8 11
Für das genannte Dienstfolge-Grundmuster ergeben sich die folgenden sieben alternativen
Dienstfolgemuster (𝑠 = 1, … ,7), wobei „×“ (bzw. „-“) bedeutet, dass an Tag 𝑡 ein (bzw. kein)
Einsatz vorgesehen ist (vgl. Tabelle 12.3):
Tabelle 12.3 Dienstfolgemuster
𝑡=1 𝑡=2 𝑡=3 𝑡=4 𝑡=5 𝑡=6 𝑡=7
𝑠=1 × - - × × × ×
𝑠=2 × × - - × × ×
𝑠=3 × × × - - × ×
𝑠=4 × × × × - - ×
𝑠=5 × × × × × - -
𝑠=6 - × × × × × -
𝑠=7 - - × × × × ×
Die fünf Schritte lauten wie folgt:
Schritt (1): Bestimme zunächst alle Personalbedarfe, für die 𝑃𝐵 > 𝑃𝐵 gilt! Gehe da-
bei von zyklischen Bedarfsfolgen aus, d.h. 𝑃𝐵 = 𝑃𝐵 !
Schritt (2): Ermittle für die unter Schritt (1) identifizierten Tage 𝑡 die maximale Diffe-
renz 𝑔! Dabei gilt: 𝑔 = max{𝑃𝐵 − max(𝑃𝐵 , 𝑃𝐵 )}
Schritt (3): Setze den Tag 𝑡 mit der maximalen Differenz 𝑔 als Bezugstag! Auf diesen
folgen unmittelbar zwei arbeitsfreie Tage! Sieh an den anderen Tagen für
insgesamt 𝑔 Arbeitskräfte einen Einsatz vor (d.h. an diesen Tagen wird der
Personalbedarf um den Betrag 𝑔 gekürzt, an den beiden arbeitsfreien Ta-
gen bleibt er erhalten)!
Setze bei einem Maximum in Höhe von 𝑔 = 0 eine Arbeitskraft ein!
Wenn 𝑔 für mehrere Bezugstage identisch ist, dann wähle einen beliebigen
Tag 𝑡 als Bezugstag aus!
Schritt (4): Wiederhole die Schritte (1)-(3) solange, bis alle Personalbedarfe den Wert
0 annehmen!
Schritt (5): Notiere den Einsatzplan! [Hinweis: Addiere für jeden Bezugstag 𝑡 (erste
Spalte in Tabelle 12.4) die jeweils zum Einsatz vorgesehenen Arbeitskräfte
(zweite Spalte in Tabelle 12.4)! Diese beginnen definitionsgemäß am Tag
𝑡 − 4 ihren Dienst und haben an den Tagen 𝑡 + 1 und 𝑡 + 2 frei.]
Tabelle 12.4 Schritte 1-4 im Bechthold-Algorithmus
𝑡 𝑔 𝑃𝐵 𝑃𝐵 𝑃𝐵 𝑃𝐵 𝑃𝐵 𝑃𝐵 𝑃𝐵
- - 10 12 13 9 14 8 11 max{−1,3, −1} = 3
5 3 7 9 10 6 11 8 11 max{−1,0,2} = 2
7 2 7 9 8 4 9 6 9 max{1, −1,0,0} = 1
2 1 6 8 8 4 8 5 8 max{0,0,0} = 0 ⟹ 1
3 1 5 7 7 4 8 4 7 max{−1,1,0} = 1
5 1 4 6 6 3 7 4 7 max{−1,0,1} = 1
7 1 4 6 5 2 6 3 6 max{1, −1,0,0} = 1
2 1 3 5 5 2 5 2 5 max{0,0,0} = 0 ⟹ 1
3 1 2 4 4 2 5 1 4 max{−1,1,0} = 1
5 1 1 3 3 1 4 1 4 max{−1,0,1} = 1
7 1 1 3 2 0 3 0 3 max{1, −1,0,0} = 1
2 1 0 2 2 0 2 0 2 max{0,0,0} = 0 ⟹ 1
3 1 0 1 1 0 2 0 1 max{−1,1,0} = 1
5 1 0 0 0 0 1 0 1 max{0,1} = 1
7 1 0 0 0 0 0 0 0
Aus der ersten Spalte in Tabelle 12.4 ist zu entnehmen, dass im Beispiel die Tage 𝑡 = 5, 7, 2
und 3 als Bezugstage fungieren. Am Bezugstag 𝑡 = 5 beenden insgesamt (3+1+1+1=) 6, am
Bezugstag 𝑡 = 7 insgesamt (2+1+1+1=) 5, am Bezugstag 𝑡 = 2 insgesamt (1+1+1=) 3 und am
Bezugstag 𝑡 = 3 beenden insgesamt (1+1+1=) 3 Arbeitskräfte ihren Dienst, so dass der in Ta-
belle 12.5 aufgelistete Personaleinsatzplan entsteht.
Als Ergebnis erhalten wir somit einen (optimalen) Dienstplan, bei dem insgesamt 17 Arbeits-
kräfte eingesetzt und die Personalbedarfe für 𝑡 = 2, 5 und 7 exakt gedeckt sowie an Tag 𝑡 =
1 Überdeckungen in Höhe von 2, an Tag 𝑡 = 3 in Höhe von 1, an Tag 𝑡 = 4 in Höhe von 2
und an Tag 𝑡 = 6 in Höhe von 3 Arbeitskräften eingeplant werden.
Tabelle 12.5 Einsatzplan
𝑡=1 𝑡=2 𝑡=3 𝑡=4 𝑡=5 𝑡=6 𝑡=7
𝑠=2 3 3 - - 3 3 3
𝑠=3 3 3 3 - - 3 3
𝑠=5 6 6 6 6 6 - -
𝑠=7 - - 5 5 5 5 5
𝑃𝐸 12 12 14 11 14 11 11
𝑃𝐵 10 12 13 9 14 8 11
Ein weiteres zur Lösung des geschilderten Problems geeignetes Verfahren ist das sog. First
Period Principle (FPP) (vgl. Nanda/Browne 1992, S. 94 ff.). Diese Lösungsprozedur ist im
Vergleich zum Bechtold-Algorithmus auf der einen Seite zwar häufig aufwändiger, auf der
anderen Seite können jedoch auch andere (beliebige) Schichtgrundmuster in Ansatz gebracht
werden und das Verfahren lässt sich zudem auch für Tour-Scheduling-Probleme verwenden.
Der Algorithmus besteht aus den folgenden sieben Schritten:
Schritt (1): Liste die täglichen Personalbedarfe auf!
Schritt (2): Setze exakt die benötigte Anzahl an Arbeitskräften ein! Beginne mit dem
ersten Tag und notiere an den Folgetagen nur die jeweils zusätzlich benö-
tigten Arbeitskräfte! (Beachte, dass Arbeitskräfte, die am Tag 𝑡 ihren Dienst
aufnehmen, an den Tagen 𝑡 + 5 und 𝑡 + 6 frei haben!)
Schritt (3): Fahre mit der Zuordnung solange nach (2) fort, bis sich die Zuordnungs-
muster wiederholen!
Die Schritte (1)-(3) im FPP sind für unser Beispiel in Tabelle 12.6 dargestellt:
Tabelle 12.6 Schritte (1)-(3) im FPP [Hinweis: Das sich wiederholende Zuordnungs-
muster besteht aus den in den Zeilen # 4-6 aufgeführten Allokationen.]
𝑃𝐵 𝑃𝐵 𝑃𝐵 𝑃𝐵 𝑃𝐵 𝑃𝐵 𝑃𝐵
10 12 13 9 14 8 11
#1 10 2 1 − 1 4 5
#2 − 2 2 − 10 − −
#3 − 2 11 − 1 − −
#4 9 2 2 − 1 3 5
#5 1 2 2 − 9 − −
#6 1 2 10 − 1 − −
#7 9 2 2 − 1 3 5
Schritt (4): Bilde für jeden Wochentag das arithmetische Mittel (𝐴𝑀) über die sich wie-
derholenden Zuordnungsmuster (vgl. Tabelle 12.7)!
Tabelle 12.7 Schritt (4) im FPP
𝑡=1 𝑡=2 𝑡=3 𝑡=4 𝑡=5 𝑡=6 𝑡=7

𝐴𝑀 3,67 2 4,67 0 3,67 1 1,67
Schritt (5): Bilde für jeden Wochentag zunächst die kumulierte Summe der Durch-
schnittswerte (𝐾𝑆) und runde diese dann auf die nächsthöhere ganze Zahl
(𝐼𝑁𝑇) (vgl. Tabelle 12.8)!
𝑡=1 𝑡=2 𝑡=3 𝑡=4 𝑡=5 𝑡=6 𝑡=7

𝐾𝑆 3,67 5,67 10,33 10,33 13,99 14,99 16,67
𝐼𝑁𝑇 4 6 11 11 14 15 17
Schritt (6): Subtrahiere den kumulierten Wert des Vortages (𝐼𝑁𝑇_𝑉) vom kumulierten
Wert des betrachteten Tages (𝐼𝑁𝑇), um die Anzahl der an diesem Tag mit
dem Dienst beginnenden Arbeitskräfte zu ermitteln (vgl. Tabelle 12.9)!
𝑡=1 𝑡=2 𝑡=3 𝑡=4 𝑡=5 𝑡=6 𝑡=7

𝐼𝑁𝑇_𝑉 0 4 6 11 11 14 15
Differenz 4 2 5 0 3 1 2
Schritt (7): Notiere den Einsatzplan (vgl. Tabelle 12.10)!
𝑡=1 𝑡=2 𝑡=3 𝑡=4 𝑡=5 𝑡=6 𝑡=7
𝑠=2 3 3 - - 3 3 3
𝑠=3 1 1 1 - - 1 1
𝑠=4 2 2 2 2 - - 2
𝑠=5 4 4 4 4 4 - -
𝑠=6 - 2 2 2 2 2 -
𝑠=7 - - 5 5 5 5 5
𝑃𝐸 10 12 14 13 14 11 11
𝑃𝐵 10 12 13 9 14 8 11
Als Ergebnis erhalten wir somit einen (optimalen) Dienstplan, bei dem wiederum insgesamt
17 Arbeitskräfte eingesetzt und die Personalbedarfe nun für 𝑡 = 1, 2, 5 und 7 exakt gedeckt
sowie an Tag 𝑡 = 3 Überdeckungen in Höhe von 1, an Tag 𝑡 = 4 in Höhe von 4 und an Tag
𝑡 = 6 in Höhe von 3 Arbeitskräften eingeplant werden.
12.2.2.2 Dienstplanung bei Unschärfe

Der deterministische Fall, in dem alle einschlägigen Daten und Relationen eindeutig bekannt
sind und präzise angegeben werden können, stellt in der Praxis der Dienstplanung eher die
Ausnahme als die Regel dar. Der für die Praxis typische Fall ist das Vorliegen von Unschärfe,
mit dem wir es z.B. dann zu tun haben, wenn Personalbedarfe als „hoch“ oder „gering“ und
Personalausstattungen als „mehr oder weniger“ gefestigt eingeschätzt, Dienstpläne von den
Mitarbeitern als „mehr oder minder“ gerecht“ empfunden oder gewisse Schichtmuster als
„viel besser“ geeignet eingestuft werden als andere.
Des Weiteren bedient man sich in der Dienstplanungspraxis – aufgrund der obwaltenden
arbeitsgesetzlichen, tarifvertraglichen und betriebsspezifischen Regelungen – einer kaum
überschaubaren Fülle von Regeln, die teils scharf, teils unscharf formuliert werden und die
wir hier nur äußerst selektiv ansprechen können. Solche Regeln beziehen sich u.a. auf die
Anzahl einzusetzender Mitarbeiter, indem z.B. verlangt wird, dass die Personalbedarfe
„möglichst gut“ oder „ungefähr“ gedeckt werden sollen. Bezüglich der Arbeitskräfte fordert
man z.B., dass diese „möglichst eignungsadäquat“ einzusetzen sind und in Hinblick auf die
temporale Dimension beispielsweise, dass arbeitsfreie Tage „möglichst“ en bloc gewährt
werden „sollten“.
Unscharfe Regeln lassen sich sehr gut über fuzzy Inferenzen verarbeiten (vgl. Kieper/Speng-
ler 2002, S. 81 ff.). Darunter wird in der Theorie des Fuzzy Control das fuzzy-logische Schlie-
ßen auf der Basis (un)scharfer Fakten und Regeln verstanden. Die fuzzy Inferenz umfasst
mindestens eine Regel, ein Faktum und den korrespondierenden (logischen) Schluss (vgl.
Kahlert/Frank 1994), wobei die auftretenden Unschärfen durch sog. unscharfe Ausdrücke in
Ansatz gebracht werden. Diese wiederum bestehen aus linguistischen Variablen, Termen
und Operatoren. Linguistische Variablen stellen die zu bewertenden bzw. einzuordnenden
Kenngrößen dar, wie z.B. die Eignung einer Arbeitskraft, die Produktivität eines Mitarbei-
ters, der Personalbedarf einer Abteilung oder die Fairness eines Dienstplans. Die Ausprä-
gungen linguistischer Ausdrücke kategorisiert man durch linguistische Terme, die als un-
scharfe Mengen (z.B. in den Abstufungen gering, mittel, hoch oder schlecht, gut und sehr
gut) formuliert werden. Im Beispiel der folgenden Abbildung 12.2 sind Personalbedarfe (𝑃𝐵)
bis zu 5, zwischen 15 und 25 sowie ab 25 als eindeutig (𝜇(𝑃𝐵) = 1) gering, mittel oder hoch
eingeschätzt und die anderen Bedarfsausprägungen als abgestuft zu den genannten Termen
gehörig (0 ≤ 𝜇(𝑃𝐵) < 1):
Abbildung 12.2 Linguistische Variable „Personalbedarf“
𝜇(𝑃𝐵)
gering mittel hoch
1
𝑃𝐵
5 15 25 35
Durch linguistische Operatoren werden die linguistischen Terme linguistischer Variablen

verknüpft, und zwar in Form der „Und-Verknüpfung“ (sowohl – als auch), in Form der
„Oder-Verknüpfung“ (entweder – oder – oder beides) oder in Kombination dieser beiden
Formen (vgl. Schroll/Spengler 2002, S. 134 ff.).
Wir wollen im Folgenden ein fuzzy Inferenzverfahren zur Dienstplanbewertung skizzieren,

bei dem lediglich ein Teil der Regelbasis unscharf formuliert ist. Die verwendeten Daten sind
aus Vereinfachungsgründen als scharfe Größen angegeben. Zur exemplarischen Verdeutli-
chung der Zusammenhänge formulieren wir ein Beispiel aus dem Bereich der Shift Schedu-
ling-Probleme, in dem der betrachtete Betrieb von 6-21 Uhr geöffnet ist und die Arbeitskräfte
jeweils 8 Stunden am Tag arbeiten sowie eine einstündige Pause einlegen müssen. Der tägli-
che Personalbedarf wird nach Zeitintervallen 𝑖 partitioniert und sortiert 𝑃𝐵 , und zwar wie
folgt (vgl. Tabelle 12.11):
𝑖 06-09 Uhr 09-12 Uhr 12-15 Uhr 15-18 Uhr 18-21 Uhr
𝑃𝐵 14 15 18 14 16
Die Arbeitskräfte können um 6 Uhr, 8 Uhr, 10 Uhr oder 12 Uhr ihren Dienst beginnen und
haben jeweils nach 4 Stunden ihre Pause. Gesucht ist ein Dienstplan, bei dem der Personal-
bedarf in den einzelnen Tagesabschnitten „möglichst“ gut gedeckt wird und mit dem die
Arbeitskräfte „möglichst“ zufrieden sind. Die zu beachtenden Regeln, von denen zwei un-
scharf formuliert sind (nämlich die Regeln (1) und (3)), lauten somit wie folgt:
(1) Wenn Einsatz von Arbeitskräften, dann mit „möglichst angemessener“ Personalbe-
darfsdeckung!
(2) Wenn Einsatz von Arbeitskräften, dann nur nach den vorgesehenen Dienst- und Pau-
senmustern!
(3) Wenn Einsatz von Arbeitskräften, dann derart, dass die Arbeitskräfte „möglichst zu-
frieden“ sind!
Die Angemessenheit der Personalbedarfsdeckung und die Zufriedenheit der Mitarbeiter mit
dem Dienstplan bringen wir über unscharfe Mengen zum Ausdruck. Wir gehen davon aus,
dass der Dienstplaner mit (absoluten) Personalbedarfsabweichungen (𝑃𝐵𝐴) in Höhe von 0
absolut zufrieden, mit Abweichungen im Intervall [+20, ∞] sowie im Intervall [−∞, −10] ab-
solut unzufrieden und mit dazwischenliegenden Abweichungen (linear) abgestuft zufrieden
ist. Die gesuchte Zugehörigkeitsfunktion 𝜇(𝑃𝐵𝐴 ) der unscharfen Menge „gute Personalbe-
darfsdeckung in Tagesabschnitt 𝑖“, die die auf das Intervall [0, 1] normierte Zufriedenheit
mit Bedarfsabweichungen in den jeweiligen Tagesabschnitten 𝑖 repräsentiert, ist damit wie
folgt definiert:
𝑃𝐵𝐴 + 10
⎧ für − 10 ≤ 𝑃𝐵𝐴 ≤ 0 (Bedarfsunterdeckungen)
⎪ 10
𝜇(𝑃𝐵𝐴 ) = 20 − 𝑃𝐵𝐴
⎨ für 0 ≤ 𝑃𝐵𝐴 ≤ 20 (Bedarfsüberdeckungen)
⎪ 20
⎩0 sonst
Die Zufriedenheit der Arbeitskräfte mit einem Dienstbeginn zur Stunde ℎ wird über folgende
Zugehörigkeitswerte 𝜇(𝐷𝐵 ) ausgedrückt (vgl. Tabelle 12.12):
Tabelle 12.12 Zufriedenheitswerte für Schichten
Dienstbeginn 6 Uhr 8 Uhr 10 Uhr 12 Uhr

𝜇(𝐷𝐵 ) 0,5 0,9 1,0 0,7
In der folgenden Tabelle 12.13 haben wir für fünf alternative Dienstpläne (𝐷𝑃 , … , 𝐷𝑃 ), bei
denen zur Stunde ℎ jeweils 𝑃𝐸 Arbeitskräfte ihren Dienst beginnen, die resultierenden (je-
weils als arithmetisches Mittel der Einzelwerte errechneten) Zufriedenheitswerte angegeben,
und zwar aus Sicht des Betriebes 𝜇∗ (𝑃𝐵𝐴), aus Sicht der Arbeitskräfte 𝜇∗ (𝐷𝐵) sowie die kor-
respondierenden Gesamtzufriedenheitswerte 𝜇∗ (𝐺𝐸𝑆):
Tabelle 12.13 Alternative (bewertete) Dienstpläne
𝑃𝐸 𝑃𝐸 𝑃𝐸 𝑃𝐸 𝜇∗ (𝑃𝐵𝐴) 𝜇∗ (𝐷𝐵) 𝜇∗ (𝐺𝐸𝑆)
𝐷𝑃 4 5 0 6 0,26 0,7133 0,4867

𝐷𝑃 9 10 0 11 0,6 0,7067 0,6534
𝐷𝑃 9 1 9 11 0,59 0,7367 0,6634
𝐷𝑃 14 15 0 16 0,6167 0,7044 0,6606
𝐷𝑃 14 1 14 16 0,6133 0,7356 0,6745
Dabei berechnen wir 𝜇 ∗ (𝑃𝐵𝐴) aus der Operation
 μ (PBAi )
i ∈I* (mit 𝐼∗ ≔ Menge der relevanten Tagesabschnitte).
I*
Wir verwenden hier als 𝐼 ∗ die Menge der einzelnen Stunden zwischen 6 und 21 Uhr, so dass
diese bzgl. der Bedarfsabweichungen gleich gewichtet werden.
𝜇∗ (𝐷𝐵) errechnen wir aus der Operation
 μ ( DBh ) ⋅ PEh (mit 𝐻 ∗ ∶= Menge der Dienstbeginnzeitpunkte)

h∈H *
 PEh
h∈H *
und 𝜇∗ (𝐺𝐸𝑆) ergibt sich aus μ ( PBA ) + μ ( DB ) .

* *
2
Der Dienstplan 𝐷𝑃 stellt sich hier als insgesamt zufriedenheitsmaximal heraus. Dieser Plan
wird von den Mitarbeitern hinter 𝐷𝑃 (und vor 𝐷𝑃 ) als der zweitbeste eingestuft. Im Hin-
blick auf die Angemessenheit der Personalbedarfsdeckung rangiert er knapp hinter 𝐷𝑃 auf
Platz 2, da im Vergleich zu diesem die Abweichung vom Personalbedarf über den Tag hin-
weg zwar absolut gesehen gleich (𝑃𝐵𝐴 = +129), diese jedoch etwas ungünstiger verteilt ist.
Das hier skizzierte Verfahren gestattet es, auf relativ einfachem Wege Dienstplanungsprob-
leme auch auf der Basis unscharfer Regeln in relativ kurzer Zeit zu lösen. Darüber hinaus ist
der Ansatz in vielfacher Hinsicht erweiterbar und Variationen zugänglich (vgl.
Schroll/Spengler 2004). Zu den Erweiterungsmöglichkeiten zählen z.B. die Verarbeitung un-
scharfer Personalbedarfe, Produktivitätsfaktoren etc. Variationsmöglichkeiten bieten sich
u.a. bzgl. der verwendeten Aggregationsoperatoren (vgl. Schroll/Spengler 2002): Durch die
Verwendung des arithmetischen Mittels können auch Dienstpläne hinsichtlich der Gesamt-
zufriedenheit akzeptiert werden oder gar maximal sein, bei denen die Zufriedenheit mit der
Personalbedarfsabweichung den Wert Null annimmt. Ist dieser Effekt vom Dienstplaner
nicht erwünscht, empfiehlt es sich, solche Pläne von vornherein aus der Menge der zulässi-
gen Lösungen zu eliminieren oder das geometrische Mittel als Aggregationsoperator zu ver-
wenden. Darüber hinaus bieten sich zur Verbesserung von Dienstplänen, die auf Basis un-
scharfer Regeln generiert werden, moderne Verfahren des sog. Local Search – wie z.B. Tabu
Search oder Simulated Annealing – an (vgl. Sixt 1996).
Aufgabe 64
In der Strategieabteilung eines Unternehmens sind derzeit 10 Mitarbeiter beschäftigt, die ei-
nen Masterabschluss in Wirtschaft besitzen (𝑟 = 1). Weiterhin gehören aktuell noch 25 Ba-
chelorabsolventen (ebenfalls im Bereich Wirtschaft, 𝑟 = 2), 11 Werkstudenten (𝑟 = 3) und 20
ausgebildete Informatiker (𝑟 = 4) zur Belegschaft der Abteilung.
Folgende Arten von Aufgaben fallen in den Verantwortungsbereich der Strategieabteilung:
𝑞 = 1 - Abteilung leiten
𝑞 = 2 - Strategien entwickeln
𝑞 = 3 - Daten analysieren und filtern
𝑞 = 4 - Prognosen erstellen
𝑞 = 5 - Recherchen durchführen
Die Bereitstellungs- bzw. die Verwendungsmöglichkeiten sowie korrespondierende Perso-

nalbedarfe 𝑃𝐵 sind in Tabelle 12.14 erfasst:
𝑟=1 𝑟=2 𝑟=3 𝑟=4 𝑃𝐵
𝑞=1 × × - - 1
𝑞=2 × - - - 5
𝑞=3 × × × × 30
𝑞=4 × - - × 10
𝑞=5 × × × - 20
Stellen Sie einen Planungsansatz zur Bestimmung eines kostenoptimalen und die Personal-
bedarfe deckenden Einsatzplans auf, für den Fall, dass die Personaleinsatzkostensätze 𝐸𝐾
(in Geldeinheiten [GE]) gemäß Tabelle 12.15 anfallen!
Tabelle 12.15 Personaleinsatzkostensätze
𝑟=1 𝑟=2 𝑟=3 𝑟=4

𝑞=1 5.000 GE 4.500 GE - -
𝑞=2 4.000 GE - - -
𝑞=3 2.500 GE 2.000 GE 1.000 GE 3.000 GE
𝑞=4 3.000 GE - - 3.000 GE
𝑞=5 2.500 GE 2.000 GE 750 GE -
Aufgabe 65
Eine Universität hat seit kurzem eine Professur für Personalplanung. Diese soll unter ande-
rem auch dafür sorgen, dass die Planung des wissenschaftlichen Personals der Universität in
Zukunft methodisch fundiert geschieht. Als Pilotprojekt wurde zunächst die Personalpla-
nung innerhalb der Fakultät für Wirtschaftswissenschaft ausgewählt.
Diese ist aktuell mit dem folgenden wissenschaftlichen Personal ausgestattet:
■ Es existieren insgesamt 10 Professuren, wobei sich diese auf 7 betriebswirtschaftliche

und 3 volkswirtschaftliche Lehrstühle verteilen.
■ Zusätzlich sind im BWL-Bereich 15 sowie im VWL-Bereich 5 wissenschaftliche Mit-

arbeiter angestellt.
■ Ebenso verfügt die Fakultät über 10 studentische Tutoren, von denen jeweils 5 BWL
bzw. 5 VWL studieren.
Dieses wissenschaftliche Personal wird dementsprechend in fünf Arbeitskräftearten 𝑟 (𝑟 =

1, 2, … , 5) unterschieden:
𝑟 = 1 - Professoren im Bereich BWL
𝑟 = 2 - Professoren im Bereich VWL
𝑟 = 3 - Wissenschaftliche Mitarbeiter im Bereich BWL
𝑟 = 4 - Wissenschaftliche Mitarbeiter im Bereich VWL
𝑟 = 5 - Studentische Tutoren
Im Planungszeitraum fallen jeweils simultan die nachfolgend aufgelisteten Arten von Tätig-
keiten an:
𝑞 = 1 - Vorlesung im Bereich BWL konzipieren und durchführen
𝑞 = 2 - Vorlesung im Bereich VWL konzipieren und durchführen
𝑞 = 3 - Übung im Bereich BWL konzipieren und durchführen
𝑞 = 4 - Übung im Bereich VWL konzipieren und durchführen
𝑞 = 5 - Begleitendes Tutorium zu mathematischen Grundlagen konzipieren

und durchführen
Im BWL-Bereich sind 7 Vorlesungen und 12 Übungen durchzuführen. Die Vorlesungen kön-

nen dabei nur von Inhabern eines betriebswirtschaftlichen Lehrstuhls gehalten werden, wäh-
rend die Übungen alternativ auch von einem wissenschaftlichen Mitarbeiter des BWL-Be-
reichs betreut werden können. Im VWL-Bereich sind hingegen nur 3 Vorlesungen und 5
Übungen abzuhalten. Die Einschränkungen bezüglich der Durchführung der Veranstaltun-
gen gelten analog zum BWL-Bereich. In beiden Bereichen werden fachübergreifend zusätz-
lich 10 begleitende Tutorien in Kleingruppen zu mathematischen Grundlagen angeboten, die
unabhängig vom Bereich oder Studium von allen Arbeitskräften durchgeführt werden kön-
nen. Über die daraus resultierenden Personalbereitstellungs- bzw. Personalverwendungs-
möglichkeiten informiert nachstehende Tabelle 12.16:
𝑟=1 𝑟=2 𝑟=3 𝑟=4 𝑟=5

𝑞=1 × - - - -
𝑞=2 - × - - -
𝑞=3 × - × - -
𝑞=4 - × - × -
𝑞=5 × × × × ×
Je nach Zuteilung zu einer Tätigkeitsart fallen für jede Art wissenschaftlichen Personals un-
terschiedliche Vorbereitungszeiten (z.B. aufgrund unterschiedlicher Erfahrungen mit den In-
halten und der Struktur der jeweiligen Veranstaltungen) an. Die zuordnungsabhängigen
Vorbereitungszeiten 𝑧 (in Minuten) sind in Tabelle 12.17 erfasst:
Tabelle 12.17 Zuordnungsabhängige Vorbereitungszeiten
𝑟=1 𝑟=2 𝑟=3 𝑟=4 𝑟=5

𝑞=1 15 - - - -
𝑞=2 - 15 - - -
𝑞=3 15 - 45 - -
𝑞=4 - 15 - 45 -
𝑞=5 15 15 30 30 60
a. Formulieren Sie einen Planungsansatz zur Ermittlung eines optimalen Personaleinsat-

zes mit dem Ziel der Minimierung der Gesamtvorbereitungszeit!
b. Erläutern Sie, inwiefern es sinnvoll sein könnte, im Anschluss an die Kollektivplanung

unter a. eine individuelle Einsatzplanung (im Sinne eines klassischen Personnel-Assign-
ment-Problems) vorzunehmen!
Aufgabe 66
Das Personalmanagement eines Hotels an der Playa de s'Arenal auf Mallorca möchte den
Schichtplan für die kommenden Tage erstellen. An jedem Tag sind von den Hotelmitarbei-
tern in zwölf zweistündigen Tagesabschnitten (𝑡 = 1, … ,12) Tätigkeiten der folgenden Arten
zu erledigen:
𝑞 = 1 - Tätigkeiten an der Rezeption
𝑞 = 2 - Tätigkeiten des Sicherheitsdienstes
𝑞 = 3 - Tätigkeiten an der Hotelbar
𝑞 = 4 - Tätigkeiten im Hotelrestaurant
𝑞 = 5 - Tätigkeiten am Hotelpool
Aufgrund der Vielzahl an Freizeitangeboten im näheren Umkreis des Hotels und der unter-
schiedlichen Präferenzen der Gäste schwanken die Personalbedarfe 𝑃𝐵 über die einzelnen
Tagesabschnitte allerdings erheblich (vgl. Tabelle 12.18):
Tabelle 12.18 Personalbedarfe für die einzelnen Tagesabschnitte
Tagesabschnitte
𝑡 = 1,2,3 𝑡 = 4,5,6 𝑡 = 7,8,9 𝑡 = 10,11,12
(6:00 bis 12:00) (12:00 bis 18:00) (18:00 bis 0:00) (0:00 bis 6:00)
𝑞=1 2 4 4 2
𝑞=2 3 1 2 5
𝑞=3 2 2 8 6
𝑞=4 4 4 6 2
𝑞=5 1 2 4 1
Das Hotel beschäftigt Arbeitskräfte der folgenden Kategorien:
𝑟 = 1 - Hotelfachleute mit Schwerpunkt allgemeiner Service
𝑟 = 2 - Hotelfachleute mit Schwerpunkt Gastronomie
𝑟 = 3 - Köche
𝑟 = 4 - Sicherheitskräfte
Die Bereitstellungs- und Verwendungsmöglichkeiten der Arbeitskräfte sowie die gegebenen

Personalausstattungen 𝑃𝐴 für jede Arbeitskräftekategorie sind in Tabelle 12.19 dargestellt:
𝑟=1 𝑟=2 𝑟=3 𝑟=4

𝑞=1 × - - -
𝑞=2 - - - ×
𝑞=3 × × × -
𝑞=4 × × × -
𝑞=5 - × - ×
𝑃𝐴 15 20 5 12
Aufgrund der höheren Arbeitsbelastung in den späteren Tagesabschnitten stehen dem Per-
sonalmanagement zwei achtstündige Frühschichten (𝑠 = 1, 2) sowie drei sechsstündige
Spät-/Nachtschichten (𝑠 = 3, 4, 5) zur Auswahl. Tabelle 12.20 macht Angaben darüber,
welche Arbeitskräftekategorien 𝑟 in welchen Schichten 𝑠 eingesetzt werden können:
Tabelle 12.20 Einsatzmöglichkeiten der Arbeitskräftekategorien in den Schichten
𝑟=1 𝑟=2 𝑟=3 𝑟=4

𝑠=1
× × × ×
(6:00 bis 14:00 Uhr)
𝑠=2
× × × ×
(12:00 bis 20:00 Uhr)
𝑠=3
× × × ×
(16:00 bis 22:00 Uhr)
𝑠=4
× × - ×
(22:00 bis 4:00 Uhr)
𝑠=5
× - - ×
(0:00 bis 6:00 Uhr)
Das Personalmanagement muss bei der Schichtplanung zusätzlich darauf achten, dass in der
Zeit von 6:00 bis 22:00 Uhr mindestens 2 Köche im Hotelrestaurant eingesetzt werden.
Je nach dem, in welcher Schicht das Hotel die Arbeitskräfte einsetzt, erhalten diese z.B. auf-
grund von Nachtzuschlägen unterschiedliche Löhne. Diese sind in Abhängigkeit der Schicht
und der Arbeitskräftekategorie in Tabelle 12.21 angegeben:
Tabelle 12.21 Löhne in Abhängigkeit von Arbeitskräftekategorie und Schicht
𝑟=1 𝑟=2 𝑟=3 𝑟=4

𝑠=1 150 150 200 180
𝑠=2 150 150 200 180
𝑠=3 180 180 300 320
𝑠=4 250 250 - 350
𝑠=5 250 - - 350
Formulieren Sie ein lineares Optimierungsmodell mit dem Ziel der Personaleinsatzkosten-
minimierung zu dem oben geschilderten Problem! Definieren Sie die von Ihnen zusätzlich
verwendeten Symbole!
Aufgabe 67
In einem täglich geöffneten Supermarkt soll für den Zeitraum von einer Woche ein neuer
Dienstplan für Personal zur Bestückung von Warenregalen erstellt werden. Es werden an
jedem Tag der Woche 𝑡 (𝑡 = 1, 2, … ,7) neue Waren in unterschiedlichem Umfang angeliefert,
welche entsprechend für den Verkauf direkt in die dafür vorgesehenen Regale einsortiert
werden müssen. Aufgrund des schwankenden Umfangs der angelieferten und einzusortie-
renden Waren, schwanken auch die täglichen Bedarfe an Personal zur Bestückung der Regale
(vgl. Tabelle 12.22). Dabei kann jede dem Supermarkt zur Verfügung stehende Arbeitskraft
in jeder Schicht bzw. an jedem Tag zur Deckung dieser Bedarfe herangezogen werden.
Tabelle 12.22 Tägliche Personalbedarfe
Mo Di Mi Do Fr Sa So
Tag
𝑡=1 𝑡=2 𝑡=3 𝑡=4 𝑡=5 𝑡=6 𝑡=7
𝑃𝐵 10 12 10 15 20 10 10
Gemäß den Vorgaben der Supermarktleitung gilt es bei der Planung zu beachten, dass die
Arbeitskräfte mindestens an drei zusammenhängenden Tagen arbeiten und mindestens zwei
zusammenhängende arbeitsfreie Tage gewährt bekommen sollen. Vor diesem Hintergrund
ergeben sich drei Schichtgrundmuster (5/4/3 Arbeitstage + 2/3/4 arbeitsfreie Tage), die bei der
Planung berücksichtigt werden können.
Folgende Schichtmuster 𝑠 (𝑠 = 1, 2, … ,7) wurden in diesem Zusammenhang als geeignet her-

ausgearbeitet (vgl. Tabelle 12.23):
Tabelle 12.23 Schichtmuster
Schicht- Schicht-
𝑡=1 𝑡=2 𝑡=3 𝑡=4 𝑡=5 𝑡=6 𝑡=7
grundmuster muster
𝑠=1 × × × × × - -
5+2 𝑠=2 × × - - × × ×
𝑠=3 × - - × × × ×
𝑠=4 - - - × × × ×
4+3
𝑠=5 - × × × × - -
𝑠=6 × × × - - - -
3+4
𝑠=7 - - - - × × ×
Die zudem bei der Erstellung des Dienstplans zu verfolgenden Ziele sind zum einen die Ge-
währung „möglichst zufriedenstellender“ Schichtmuster im Sinne der Arbeitskräfte und
zum anderen die Realisierung „möglichst zufriedenstellender“ Schichtausstattungen im
Sinne des Supermarktes.
Die Operationalisierung der mitarbeiterseitigen Zufriedenheit mit den basierend auf den
Vorgaben der Supermarktleitung realisierbaren Schichtgrundmustern erfolgt über unscharfe
Mengen, deren Zugehörigkeitswerte als Zufriedenheitsmaße zu interpretieren sind. Diese
wurden anhand einer Befragung der Mitarbeiter bestimmt und sind in Tabelle 12.24 erfasst:
Tabelle 12.24 Zugehörigkeitswerte der Schichtgrundmuster zur Menge „zufriedenstel-

lender Schichtgrundmuster“
Anzahl zusammenhängender Zugehörigkeitswerte zur un-

Arbeitstage + Anzahl zusam- scharfen Menge „zufriedenstel-
menhängender freier Tage lender Schichtgrundmuster“
5+2 1
4+3 0,8
3+4 0,5
Das Ziel der Realisierung „möglichst zufriedenstellender Schichtausstattungen" soll bei der
Planung derart berücksichtigt werden, als der Personalbedarf ungefähr durch die Personal-
bzw. Schichtausstattung gedeckt werden soll, wobei Personalbedarfsunterdeckungen und
Personalüberausstattungen aus Sicht der Supermarktleitung bis zu einem gewissen Grad ak-
zeptabel, aber auch nur zu einem gewissen Grad zufriedenstellend sind. Im Speziellen soll
folgendes gelten:
■ Wenn der Personalbedarf in 𝑡 durch die Personal- bzw. die Schichtausstattung in 𝑡

exakt gedeckt wird, dann ist die Supermarktleitung mit dieser Ausstattung voll zu-
frieden.
■ Mit Schichtausstattungen, aus denen Personalbedarfsunterdeckungen oder -über-

ausstattungen von 3 oder mehr Arbeitskräften in 𝑡 resultieren, ist die Supermarktlei-
tung voll unzufrieden.
■ Personalbedarfsunterdeckungen und -überausstattungen, die größer als 0 und klei-

ner als 3 sind, stellen die Supermarktleitung zu einem gewissen Grad zufrieden.
Diese Beurteilung soll ebenfalls durch eine unscharfe Menge formalisiert werden.
a. Stellen Sie grafisch die unscharfe Menge dar, die die Zufriedenheit mit der Schichtaus-
stattung aus Sicht der Supermarktleitung unter Verarbeitung korrespondierender Infor-
mationen zum Ausdruck bringt! [Hinweis: Gehen Sie dabei von einem linearen Verlauf der
Zugehörigkeitsfunktion aus.]
b. Im Zuge der ersten Planungsrunde werden der Unternehmensleitung die folgenden

beiden Dienstpläne zur Prüfung vorgelegt (vgl. Tabelle 12.25 und Tabelle 12.26):
Reine Personalbereitstellungsplanung 159
Tabelle 12.25 Dienstplan 1
𝑡 1 2 3 4 5 6 7
𝑃𝐵 10 12 10 15 18 10 10
𝑠=1 9 9 9 9 9 - -
𝑠=4 - - - 6 6 6 6
𝑠=6 3 3 3 - - - -
𝑠=7 - - - - 4 4 4
𝑃𝐴 12 12 12 15 19 10 10
Tabelle 12.26 Dienstplan 2
𝑡 1 2 3 4 5 6 7
𝑃𝐵 10 12 10 15 18 10 10
𝑠=2 4 4 - - 4 4 4
𝑠=3 5 - - 5 5 5 5
𝑠=5 - 10 10 10 10 - -
𝑃𝐴 9 14 10 15 19 9 9
Die beiden Dienstpläne sollen nun hinsichtlich der beiden formulierten Ziele
■ Gewährung „möglichst zufriedenstellender“ Schichtmuster im Sinne der Arbeits-

kräfte und
■ Realisierung „möglichst zufriedenstellender“ Schichtausstattungen im Sinne des Su-

permarktes
unter Verarbeitung der in diesem Kontext gegebenen unscharfen Informationen bewertet

werden. Der Supermarktleitung ist bekannt, dass für eine solche Bewertung der Minimum-
operator, der Maximumoperator oder das arithmetische Mittel herangezogen werden kön-
nen.
Nehmen Sie eine operatorenspezifische Gesamtbewertung der beiden Dienstpläne vor!
12.3 Reine Personalbereitstellungsplanung
12.3.1 Grundmodell
Die Entscheidungssituation der reinen Personalbereitstellungsplanung ist dadurch charak-
terisiert, dass für den vorab (als Datum) festgelegten Personalbedarf die optimale Personal-
ausstattung und ggf. der optimale Personaleinsatzplan gesucht werden. Wir wollen im Fol-
genden ein Grundmodell formulieren, bei dem der über die Teilperioden des Planungszeit-
raums schwankende Personalbedarf nach Tätigkeitskategorien differenziert wird. Der Mo-
dellierung legen wir folgende Symbole zugrunde:
Mengen
𝑄 ≔ {𝑞|𝑞 = 1, … , 𝑞} Menge der Tätigkeitsarten
𝑅 ≔ 𝑟 Arbeitskräfte der Art r können Tätigkeiten der Art 𝑞 ∈ 𝑄 erledigen
Daten
𝑃𝐵 ≔ (Personal-) Bedarf an Arbeitskräften zur Erledigung von Tätigkeiten der Art

𝑞 ∈ 𝑄 in Periode 𝑡 ∈ 𝑇
𝐻 ≔ Anzahl der in Periode 𝑡 ∈ 𝑇 maximal einstellbaren Arbeitskräfte der Art 𝑟 ∈ 𝑅
𝐹 ≔ Anzahl der in Periode 𝑡 ∈ 𝑇 maximal zu entlassenden Arbeitskräfte

der Art 𝑟 ∈ 𝑅
𝐻𝐾 ≔ Einstellungskosten je Arbeitskraft der Art 𝑟 ∈ 𝑅 in Periode 𝑡 ∈ 𝑇
𝐹𝐾 ≔ Entlassungskosten je Arbeitskraft der Art 𝑟 ∈ 𝑅 in Periode 𝑡 ∈ 𝑇
𝐺𝐾 ≔ Gehaltskosten je Arbeitskraft der Art 𝑟 ∈ 𝑅 in Periode 𝑡 ∈ 𝑇
Ü𝐸 ≔ Ertrag je anderweitig eingesetzter Arbeitskraft der Art 𝑟 ∈ 𝑅 in Periode 𝑡 ∈ 𝑇

(Überausstattungserträge)
𝑈𝐾 ≔ Kosten je für die Erledigung von Tätigkeiten der Art 𝑞 ∈ 𝑄 in Periode 𝑡 ∈ 𝑇

fehlender Arbeitskraft (Unterdeckungskosten)
𝑃𝐵𝑈 ≔ Zur Erledigung von Tätigkeiten der Art 𝑞 ∈ 𝑄 in Periode 𝑡 ∈ 𝑇 fehlende Arbeits-
kräfte (Personalbedarfsunterdeckung)
𝑃𝐴 ≔ (Personal-) Ausstattung mit Arbeitskräften der Art 𝑟 ∈ 𝑅 in Periode 𝑡 ∈ 𝑇
𝑃Ü𝐴 ≔ Anzahl der anderweitig einzusetzenden Arbeitskräfte der Art 𝑟 ∈ 𝑅 in Periode

𝑡 ∈ 𝑇 (Personalüberausstattung)
ℎ ≔ Anzahl der in Periode 𝑡 ∈ 𝑇 einzustellenden Arbeitskräfte der Art 𝑟 ∈ 𝑅
𝑓 ≔ Anzahl der in Periode 𝑡 ∈ 𝑇 zu entlassenden Arbeitskräfte der Art 𝑟 ∈ 𝑅

Zielfunktion:
(𝐺𝐾 ∙ 𝑃𝐴 + 𝐻𝐾 ∙ ℎ + 𝐹𝐾 ∙ 𝑓 − Ü𝐸 ∙ 𝑃Ü𝐴 ) + 𝑈𝐾 ∙ 𝑃𝐵𝑈 → min!

∈ ∈ ∈
(Z. 9)
[Lies: Minimiere die einschlägige Kosten-Ertrags-Differenz. Bringe dazu die Einstellungs-,

Entlassungs- und Gehaltskosten sowie die aus der Unterdeckung des Personalbedarfs resul-
tierenden „Kosten“ (z.B. Konventionalstrafen oder Umsatzeinbußen) einerseits und die Er-
träge aus anderweitiger Verwendung überzähliger Arbeitskräfte andererseits in Ansatz.]
u.d.N.:
Abstimmung Personalbedarf und Personalausstattung:
(𝑃𝐵 − 𝑃𝐵𝑈 ) ≤ (𝑃𝐴 − 𝑃Ü𝐴 ) ∀ 𝑄 ∈ 𝕻(𝑄)\{∅}, 𝑡 ∈ 𝑇 (R. 32)

∈ r ∈ Rq
q∈Qˆ
[Lies: Stimme Personalbedarf und -ausstattung ab, und zwar unter Verwendung einer – um
Personalbedarfsunterdeckungen und Personalüberausstattungen – erweiterte Version des
impliziten Ansatzes.]
𝑃𝐴 = 𝑃𝐴 , +ℎ −𝑓 ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (R. 33)
[Lies: Jede Ausstattung mit Arbeitskräften der Art 𝑟 in Teilperiode 𝑡 ergibt sich aus der Aus-
stattung der Vorperiode zuzüglich der aktuellen Einstellungen abzüglich der aktuellen Ent-
lassungen.]
Obergrenzen:
ℎ ≤𝐻 ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (R. 34)
[Lies: Man kann in Periode 𝑡 nicht mehr Mitarbeiter der Art 𝑟 einstellen als maximal zur
Verfügung stehen.]
𝑓 ≤𝐹 ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (R. 35)
[Lies: Man kann in Periode 𝑡 nicht mehr Mitarbeiter der Art 𝑟 entlassen als maximal erlaubt.]
𝑃𝐵𝑈 , 𝑃𝐴 , 𝑃Ü𝐴 , ℎ , 𝑓 ≥ 0 ∀ relevanten 𝑞 ∈ 𝑄, 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (R. 36)
[Lies: Keine der Entscheidungsvariablen darf negativ werden.]

Durch geringfügige Variationen kann dieses Grundmodell in einen Ansatz des sog. Person-
nel Pooling oder in ein Hiring-Firing-Modell transformiert werden (vgl. Kossbiel/Spengler
2015, S. 441 f.). Bei Pooling-Modellen wird zu Beginn des Planungszeitraums ein – in den
Folgeperioden nicht zu verändernder – Personalpool aufgebaut. Hiring-Firing-Modelle se-
hen hingegen die Unzulässigkeit von Personalbedarfsunterdeckungen sowie den weitest
möglichen Verzicht auf Personalüberausstattungen vor, wobei 𝑃Ü𝐴 -Variable nicht in An-
satz gebracht werden. Weitere Variations- und Ergänzungsmöglichkeiten des Modells liegen
z.B. in der Integration von Überstunden, Leiharbeitskräften, Personalschulung etc.
12.3.2 Beispiel
Wir wollen die Wirkungsweise des Grundmodells anhand des folgenden Beispiels illustrie-
ren: In einer neu zu gründenden Abteilung sind zwei Arten von Tätigkeiten zu erledigen,
die von insgesamt drei Arten von Arbeitskräften erledigt werden können (vgl. Tabelle
12.27). Die Personalbedarfe schwanken über den insges. sechs Teilperioden umfassenden
Planungszeitraum wie folgt (vgl. Tabelle 12.28):

𝑟=1 𝑟=2 𝑟=3
𝑞=1 × - ×
𝑞=2 - × ×
𝑡 1 2 3 4 5 6
𝑃𝐵 20 10 15 25 5 15
𝑃𝐵 5 15 8 12 20 8
Die einschlägigen Kosten- und Ertragssätze sowie die geltenden Einstellungs- und Entlas-
sungsobergrenzen sind in folgender Tabelle 12.29 notiert:
Tabelle 12.29 Obergrenzen, Kosten- und Ertragssätze
𝐻𝐾 𝐹𝐾 𝐺𝐾 Ü𝐸 𝑈𝐾 𝐻 𝐹
𝑟=1 40 50 100 30 - 8 8
𝑡 = 1,2,3 𝑟=2 40 50 120 40 - 10 10
𝑟=3 40 50 138 50 - 20 20
𝑟=1 40 36 105 33 - 8 8
𝑡 = 4,5,6 𝑟=2 40 65 108 44 - 10 10
𝑟=3 40 75 91 69 - 20 20
𝑞=1 - - - - 140 - -
𝑡 = 1, … ,6
𝑞=2 - - - - 140 - -
Geht man zusätzlich davon aus, dass der Abteilung vor Beginn des Planungszeitraums noch
keinerlei Personal zur Verfügung steht (𝑃𝐴 = 0 ∀ 𝑟 ∈ 𝑅), dann ergibt sich folgendes Ergeb-
nis der Modellrechnung: Im vorliegenden Fall ist es optimal, lediglich den Personalbedarf
der dritten und fünften Periode exakt zu decken und für die Perioden 1, 2 und 4 Unter- sowie
für die Periode 6 Überdeckungen des Personalbedarfs vorzusehen (vgl. Abbildung 12.3).
Weitere Variablenausprägungen finden sich in Tabelle 12.30, wobei nicht ausgewiesene Va-
riablen im Optimum den Wert Null annehmen.
Abbildung 12.3 Personalbedarfs- und Ausstattungsverlauf

PBges
PAt
PBges
PAt
37
35
Bedarfsunterdeckung
Bedarfsüberdeckung
25
23
21
1 2 3 4 5 6 t
Tabelle 12.30 Optimale Variablenausprägungen
𝑡 𝑃𝐴 𝑃𝐴 𝑃𝐴 ℎ ℎ ℎ 𝑓 𝑃Ü𝐴 𝑃𝐵𝑈 𝑃𝐵𝑈
1 8 5 8 8 5 8 0 0 4 0
2 10 5 8 2 0 0 0 0 0 2
3 10 5 8 0 0 0 0 0 0 0
4 10 5 20 0 0 12 0 0 2 0
5 0 5 20 0 0 0 10 0 0 0
6 0 5 20 0 0 0 0 2 0 0
In diesem – gemessen an praxisrelevanten Fällen – sehr kleinen Beispiel sind bereits (u.a.) 38
Kosten- und Ertragssätze sowie 12 Personalbedarfsausprägungen im Entscheidungsprozess
zu verarbeiten. Ob und in welchem Umfang Personal eingestellt oder entlassen, der Perso-
nalbedarf in den jeweiligen Perioden über- oder unterdeckt wird, hängt maßgeblich vom
Zusammenspiel der Einstellungs-, Entlassungs-, Gehalts- und Unterdeckungskosten einer-
seits sowie der Überausstattungserträge andererseits ab. Dieses Datengeflecht und dessen
Auswirkungen bei alternativen Entscheidungen ist mit intuitiven Entscheidungsprozeduren
kaum zu bewältigen und erfordert (vor allem in größeren Fällen) ein systematisches, modell-
gestütztes Vorgehen. Ansonsten läuft der Betrieb Gefahr, wertvolles Erfolgspotenzial zu ver-
schenken.
12.3.3 Reine Personalbereitstellungsplanung bei

terminologischer und relationaler Unschärfe
Wir wollen nun das Grundmodell dahingehend variieren, dass die Personalbedarfe, die Rek-
rutierungs- und die Entlassungsobergrenzen nicht mehr als scharfe, sondern als unscharfe
Größen modelliert werden (vgl. Spengler 1992, S. 501 ff.). Zudem werden unscharfe Anwe-
senheitsraten in Ansatz gebracht. Die Personalbedarfe und Anwesenheitsraten modellieren
wir als LR-Fuzzy-Intervalle, die Einstellungs- und Entlassungsobergrenzen als LR-Fuzzy-
Zahlen und zwar jeweils mit durchgängig linearen Zugehörigkeitsfunktionen. Darüber hin-
aus werden keine 𝑃𝐵𝑈 - und keine 𝑃Ü𝐴 -Variable verwendet.
Zusätzlich zu den bereits verwendeten definieren wir folgende Symbole:
𝑃𝐸 ≔ (Personal)-Einsatz von Arbeitskräften der Art 𝑟 zur Erledi-

gung von Tätigkeiten der Art 𝑞 in Teilperiode 𝑡
𝐻 ≔ (𝐻 , 0, ℎ ) ≔ 𝐿𝑅-Fuzzy-Zahl der in Teilperiode 𝑡 maximal einstellbaren

Arbeitskräfte der Art 𝑟 (Gipfelpunkt: 𝐻 , linke Spreizung:
0, rechte Spreizung: ℎ )
𝐹 ≔ (𝐹 , 0, 𝑓 ) ≔ 𝐿𝑅-Fuzzy-Zahl der in Teilperiode 𝑡 maximal entlassbaren

Arbeitskräfte der Art 𝑟 (Gipfelpunkt: 𝐹 , linke Spreizung:
0, rechte Spreizung: 𝑓 )
𝑃𝐵 ≔ 𝑃𝐵 , 𝑃𝐵 , 𝑝 , 𝑝 ≔ 𝐿𝑅-Fuzzy-Intervall der in Teilperiode 𝑡 zur Erledigung

von Tätigkeiten der Art 𝑞 benötigten Arbeitskräfte (Stütz-
stellen auf dem 1-Niveau: 𝑃𝐵 und 𝑃𝐵 , linke Spreizung:
𝑝 , rechte Spreizung: 𝑝 )
𝑎 ≔ (𝑎 , 𝑎 , 𝑎 , 𝑎 ) ≔ 𝐿𝑅-Fuzzy-Intervall der unscharfen Anwesenheitsrate von

Arbeitskräften der Art 𝑟 in Teilperiode 𝑡 (Stützstellen auf
dem 1-Niveau: 𝑎 und 𝑎 , linke Spreizung: 𝑎 , rechte
Spreizung: 𝑎 )
Das unscharfe Ausgangsmodell lautet damit:
( 𝐺𝐾 ∙ 𝑃𝐴 + 𝐻𝐾 ∙ ℎ + 𝐹𝐾 ∙ 𝑓 ) → min! (Z. 10)

∈ ∈
[Lies: Minimiere die Summe aller Gehalts-, Einstellungs- und Entlassungskosten!]
u.d.N.:
Abstimmung von Personaleinsatz und Personalbedarf:
𝑎 ∙ 𝑃𝐸 ≅ 𝑃𝐵 ∀ 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇 (R. 37)
∈
[Lies: Jeder unscharfe tätigkeits- und periodenspezifische unscharfe Personalbedarf ist durch
hinreichend qualifizierte Arbeitskräfte (mit unscharfem Absentismusverhalten) ungefähr zu
decken.]
Abstimmung von Personaleinsatz und Personalausstattung:
𝑃𝐸 ≤ 𝑃𝐴 ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (R. 38)
∈
[Lies: Man kann von jeder Arbeitskräfteart und in jeder Teilperiode 𝑡 nicht mehr Arbeits-
kräfte in relevanten Leistungsprozessen einsetzen als zur Verfügung stehen.]
𝑃𝐴 = 𝑃𝐴 , +ℎ −𝑓 ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (R. 39)
[Lies: Jede Ausstattung mit Arbeitskräften der Art 𝑟 in Teilperiode 𝑡 ergibt sich aus der Aus-
stattung der Vorperiode zuzüglich der aktuellen Einstellungen abzüglich der aktuellen Ent-
lassungen.]
Rekrutierungsobergrenzen:
ℎ ≤𝐻 ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (R. 40)
[Lies: Man kann in Periode 𝑡 nicht mehr Mitarbeiter der Art 𝑟 einstellen als maximal zur
Verfügung stehen.]
Entlassungsobergrenzen:
𝑓 ≤𝐹 ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (R. 41)
[Lies: Man kann in Periode 𝑡 nicht mehr Mitarbeiter der Art 𝑟 entlassen als maximal erlaubt.]
𝑃𝐴 , 𝑃𝐸 ,ℎ ,𝑓 ≥ 0 ∀ relevanten 𝑞 ∈ 𝑄, 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (R. 42)
Dieses Modell ist mit den gängigen Verfahren der linearen Optimierung nicht zu lösen. Wie
in Kapitel 10.2.2 dargestellt, verwenden wir in diesem Buch die Lösungsprozedur FULPAL.
Die gestaltet sich nach folgendem Muster (Skizze):
1. Transformation des Ausgangsmodells in ein Mehrzieloptimierungssystem unter li-

nearen Nebenbedingungen
2. Beschreibung der Nutzenvorstellungen des Entscheidungsträgers durch die un-

scharfe Menge der zufriedenstellenden Zielwerte; Generierung der korrespondie-
renden Zugehörigkeitsfunktionen durch Ermittlung der „günstigsten“ und der „un-
günstigsten“ Situation (über Hilfsmodelle)
3. Formulierung und Lösung des Kompromissprogramms
Zu 1. Formulierung des Mehrzieloptimierungssystems:
Zunächst ist jede Restriktion vom Typ (R. 37) zu ersetzen durch die fuzzy Restriktionen
(R. 43) und (R. 44):
𝑎 ∙ 𝑃𝐸 ≥ 𝑃𝐵 ∀ 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇 (R. 43)
∈
𝑎 ∙ 𝑃𝐸 ≤ 𝑃𝐵 ∀ 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇 (R. 44)
∈
Sei 𝑁 ≔ 𝑎 ∙ 𝑃𝐸 ;𝜇 𝑎 ∙ 𝑃𝐸 die unscharfe Menge des Nutzens

∈ ∈
des Entscheiders, wenn zur Deckung von 𝑃𝐵 die Quantität 𝑎 ∙ 𝑃𝐸 bereitgestellt

∈
wird.
Dann wird für (jede) Restriktion (vom Typ) (R. 43) eine Surrogatungleichung
(𝑎 − 𝑎 ) ∙ 𝑃𝐸 ≥ 𝑃𝐵 − 𝑝 (R. 45)
∈
und ein Ziel
𝜇 𝑎 ∙ 𝑃𝐸 → max! (Z. 11)

∈
in Ansatz gebracht.
Ersetzt man in (Z. 11) 𝑎 ∙ 𝑃𝐸 durch 𝑔 , dann gilt bei linearem Verlauf der
∈
Zugehörigkeitsfunktion:
0 für 𝑔 < 𝑃𝐵 − 𝑑
⎧
⎪𝑔 − (𝑃𝐵 − 𝑑 )
𝜇 𝑔 = für 𝑃𝐵 − 𝑑 ≤ 𝑔 < 𝑃𝐵 (DF. 10)
⎨ 𝑑
⎪
⎩1 für 𝑃𝐵 ≤ 𝑔
mit 𝑑 ≤𝑝 als Abweichungstoleranzparameter.
Sei 𝑁 ≔ 𝑎 ∙ 𝑃𝐸 ;𝜇 𝑎 ∙ 𝑃𝐸 die unscharfe Menge des Nutzens

∈ ∈
des Entscheiders, wenn zur Deckung von 𝑃𝐵 die Quantität 𝑎 ∙ 𝑃𝐸 bereitgestellt

∈
wird.
( 𝑎 + 𝑎 ) ∙ 𝑃𝐸 ≥ 𝑃𝐵 +𝑝 (R. 46)
∈
und ein Ziel
𝜇 𝑎 ∙ 𝑃𝐸 → max! (Z. 12)

∈
in Ansatz gebracht.
Ersetzt man in (Z. 12) 𝑎 ∙ 𝑃𝐸 durch 𝑔 , dann gilt bei linearem Verlauf der
∈
Zugehörigkeitsfunktion:
⎧0 für 𝑔 > 𝑃𝐵 +𝑑
⎪ 𝑔 − 𝑃𝐵
𝜇 𝑔 = 1− für 𝑃𝐵 +𝑑 ≥𝑔 > 𝑃𝐵 (DF. 11)
⎨ 𝑑
⎪
⎩1 für 𝑃𝐵 ≥𝑔
mit 𝑑 ≤𝑝 als Abweichungstoleranzparameter
Sei 𝑁 ≔ ℎ ;𝜇 (ℎ ) die unscharfe Menge des Nutzens des Entscheiders, wenn die
Restriktionsgrenze 𝐻 mit der Quantität ℎ eingehalten wird.
ℎ ≤𝐻 +ℎ (R. 47)
und ein Ziel
𝜇 (ℎ ) → max! (Z. 13)
in Ansatz gebracht.
Bei linearem Verlauf gilt für die Zugehörigkeitsfunktion 𝜇 :
⎧0 für ℎ >𝐻 +𝑑
⎪ ℎ −𝐻
𝜇 (ℎ ) = 1 − für 𝐻 + 𝑑 ≥ℎ >𝐻 (DF. 12)
⎨ 𝑑
⎪1 für 𝐻 ≤ ℎ
⎩
mit 𝑑 ≤ℎ als Abweichungstoleranzparameter
Sei 𝑁 ≔ 𝑓 ;𝜇 (𝑓 ) die unscharfe Menge des Nutzens des Entscheiders, wenn die
Restriktionsgrenze 𝐹 mit der Quantität 𝑓 eingehalten wird.
𝑓 ≤𝐹 +𝑓 (R. 48)
und ein Ziel
𝜇 (𝑓 ) → max! (Z. 14)
in Ansatz gebracht.
Bei linearem Verlauf gilt für die Zugehörigkeitsfunktion 𝜇 :
⎧0 für 𝑓 > 𝐹 + 𝑑
⎪ 𝑓 −𝐹
𝜇 (𝑓 ) = 1 − für 𝐹 + 𝑑 ≥𝑓 >𝐹 (DF. 13)
⎨ 𝑑
⎪
⎩1 für 𝐹 ≤ 𝑓
mit 𝑑 ≤𝑓 als Abweichungstoleranzparameter
Das gesuchte Mehrzieloptimierungssystem lautet dann wie folgt:
− ( 𝐺𝐾 ∙ 𝑃𝐴 + 𝐻𝐾 ∙ ℎ + 𝐹𝐾 ∙ 𝑓 )
⎛ ∈ ∈ ⎞
⎜ 𝜇 𝑔 ∀ 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇 ⎟
⎜ ⎟
⎜ 𝜇 𝑔 ∀ 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇 ⎟ → max! (ZV. 3)
⎜ ⎟
⎜ 𝜇 (ℎ ) ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 ⎟
⎝ 𝜇 (𝑓 ) ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 ⎠
u.d.N.:
(𝑎 − 𝑎 ) ∙ 𝑃𝐸 ≥ 𝑃𝐵 − 𝑝 ∀ 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇 (R. 49)
∈
(𝑎 + 𝑎 ) ∙ 𝑃𝐸 ≤ 𝑃𝐵 +𝑝 ∀ 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇 (R. 50)
∈
ℎ ≤𝐻 +ℎ ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (R. 51)
𝑓 ≤𝐹 +𝑓 ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (R. 52)
𝑃𝐸 ≤ 𝑃𝐴 ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (R. 38)
∈
𝑃𝐴 = 𝑃𝐴 , +ℎ −𝑓 ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (R. 39)
𝑃𝐴 , 𝑃𝐸 ,ℎ ,𝑓 ≥ 0 ∀ relevanten 𝑞 ∈ 𝑄, 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (R. 42)
Zu 2. Beschreibung der Nutzenvorstellungen des Entscheidungsträgers durch die unscharfe

Menge der zufriedenstellenden Zielwerte; Generierung der korrespondierenden Zugehörig-
keitsfunktionen durch Ermittlung der „günstigsten“ und der „ungünstigsten“ Situation
(über Hilfsmodelle):
Sei 𝐺 ≔ 𝑧; 𝜇 (𝑧) |𝑧 ∈ ℝ die unscharfe Menge des Nutzens des Entscheiders von potenzi-
ellen Ausprägungen
𝑧=𝑧 ( 𝐺𝐾 ∙ 𝑃𝐴 + 𝐻𝐾 ∙ ℎ + 𝐹𝐾 ∙ 𝑓 )
∈ ∈
der Zielfunktion (Z. 10).
Diese lässt sich über zwei Hilfsprogramme (H1 und H2) konstruieren, bei denen (Z. 10) die
Werte 𝑧 und 𝑧 annimmt, wobei
■ H1 zu 𝑧 führt, und aus (Z. 10), (R. 38), (R. 39), (R. 42) sowie (R. 49)-(R. 52) besteht
■ H2 zu 𝑧 führt, und aus (Z. 10), (R. 38), (R. 39), (R. 42) sowie (R. 49)-(R. 56) besteht, mit
𝑎 ∙ 𝑃𝐸 ≥ 𝑃𝐵 ∀ 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇 (R. 53)
∈
𝑎 ∙ 𝑃𝐸 ≤ 𝑃𝐵 ∀ 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇 (R. 54)
∈
ℎ ≤𝐻 ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (R. 55)
𝑓 ≤𝐹 ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (R. 56)
Wählt man 𝑧 ≤ 𝑧 ⋀ 𝑧 ≥ 𝑧 + ∆ , dann gilt bei linearem Verlauf und für den Fall 𝑧 ≤ 𝑧:
0 für 𝑧 > 𝑧 + ∆
𝑧−𝑧
𝜇 (𝑧) = 1 − für 𝑧 ≤ 𝑧 ≤ 𝑧 + ∆ (DF. 14)
∆
Zu 3. Formulierung und Lösung des Kompromissprogramms:
Das gesuchte Kompromissprogramm lautet nun wie folgt:
Zielfunktion:
𝜋 → max! (Z. 2)
u.d.N.:
𝜋 ≤ 𝜇 (𝑧) (R. 57)
𝜋≤𝜇 𝑎 ∙ 𝑃𝐸 ∀ 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇 (R. 58)

∈
𝜋≤𝜇 𝑎 ∙ 𝑃𝐸 ∀ 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇 (R. 59)

∈
𝜋≤𝜇 (ℎ ) ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (R. 60)
𝜋≤𝜇 (𝑓 ) ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (R. 61)

(𝑎 − 𝑎 ) ∙ 𝑃𝐸 ≥ 𝑃𝐵 − 𝑝 ∀ 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇 (R. 49)
∈
(𝑎 + 𝑎 ) ∙ 𝑃𝐸 ≤ 𝑃𝐵 +𝑝 ∀ 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇 (R. 50)
∈
ℎ ≤𝐻 +ℎ ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (R. 51)
𝑓 ≤𝐹 +𝑓 ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (R. 52)
𝑃𝐸 ≤ 𝑃𝐴 ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (R. 38)
∈
𝑃𝐴 = 𝑃𝐴 , +ℎ −𝑓 ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (R. 39)
𝜋, 𝑃𝐴 , 𝑃𝐸 ,ℎ ,𝑓 ≥ 0 ∀ relevanten 𝑞 ∈ 𝑄, 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (R. 62)
Die Restriktionen (R. 57)-(R. 61) können ersetzt werden durch:
∆ ∙𝜋+ ( 𝐺𝐾 ∙ 𝑃𝐴 + 𝐻𝐾 ∙ ℎ + 𝐹𝐾 ∙ 𝑓 ) ≤ 𝑧 + ∆ (R. 63)

∈ ∈
𝑑 ∙𝜋− 𝑎 ∙ 𝑃𝐸 ≤ −(𝑃𝐵 − 𝑑 ) ∀ 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇 (R. 64)

∈
𝑑 ∙𝜋+ 𝑎 ∙ 𝑃𝐸 ≤ 𝑃𝐵 +𝑑 ∀ 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇 (R. 65)

∈
𝑑 ∙𝜋+ℎ ≤𝐻 +𝑑 ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (R. 66)
𝑑 ∙𝜋+𝑓 ≤𝐹 +𝑑 ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (R. 67)
Zur exemplarischen Verdeutlichung formulieren wir ein Beispiel mit den folgenden Verwen-
dungs- und Bereitstellungsmöglichkeiten sowie Personalanfangsausstattungen (vgl. Tabelle
12.31), Gehalts-, Einstellungs- und Entlassungskosten (vgl. Tabelle 12.32), Personalbedarfen
(vgl. Tabelle 12.33), Anwesenheitsraten (vgl. Tabelle 12.34) sowie Einstellungs- und Entlas-
sungspotenzialen (vgl. Tabelle 12.35):
Tabelle 12.31 Verwendungs- und Bereitstellungsmöglichkeiten sowie Personalanfangs-

ausstattungen
𝑟=1 𝑟=2 𝑟=3 𝑟=4 𝑟=5 𝑟=6

𝑞=1 × - - × - ×
𝑞=2 - × - × × ×
𝑞=3 - - × - × ×
𝑃𝐴 40 60 40 15 5 15
Tabelle 12.32 Gehalts-, Einstellungs- und Entlassungskosten
𝑟=1 𝑟=2 𝑟=3 𝑟=4 𝑟=5 𝑟=6

𝐺𝐾 2.500 2.400 2.500 3.500 3.500 4.200
𝐻𝐾 1.500 1.500 1.700 2.000 2.200 1.800
𝐹𝐾 2.000 1.600 1.800 3.000 2.000 2.000
𝑃𝐵 − 𝑝 𝑃𝐵 𝑃𝐵 𝑃𝐵 +𝑝
𝑞=1 54 72 80 100
𝑡=1 𝑞=2 81 108 116 145
𝑞=3 45 60 64 80
𝑞=1 63 84 92 115
𝑡=2 𝑞=2 72 96 104 130
𝑞=3 63 84 92 115
𝑞=1 45 60 64 80
𝑡=3 𝑞=2 90 120 128 160
𝑞=3 54 72 80 100
Tabelle 12.34 Anwesenheitsraten
𝑟=1 𝑟=2 𝑟=3 𝑟=4 𝑟=5 𝑟=6

𝑎 0,9 0,93 0,8 0,85 0,9 0,95
𝑎 −𝑎 0,6 0,63 0,7 0,8 0,7 0,6
𝑎 0,93 0,96 0,9 0,92 0,95 0,98
𝑎 +𝑎 1 1 1 1 1 1
𝑎 0,95 0,9 0,85 0,7 0,8 0,9
𝑎 −𝑎 0,7 0,7 0,75 0,65 0,75 0,8
𝑎 0,98 0,95 0,92 0,9 0,95 0,95
𝑎 +𝑎 1 1 1 1 1 1
𝑎 0,8 0,95 0,9 0,95 0,8 0,93
𝑎 −𝑎 0,5 0,85 0,85 0,85 0,6 0,85
𝑎 0,9 0,98 0,95 0,98 0,9 0,98
𝑎 +𝑎 1 1 1 1 1 1
Tabelle 12.35 Einstellungs- und Entlassungspotenziale
𝐻 ℎ 𝐹 𝑓
𝑟=1 30 5 39 3
𝑟=2 38 7 15 10
𝑟=3 15 5 22 8
𝑟=4 28 4 15 10
𝑟=5 17 3 22 8
𝑟=6 10 5 22 8
Mithilfe der Hilfsprogramme 1 und 2 ergeben sich 𝑧 = 2.321.111,68 und 𝑧 = 3.343.959,05.
Damit lautet das gesuchte Kompromissprogramm letztlich:
Zielfunktion:
𝜋 → max!
u.d.N.:
△ ∙𝜋+ 𝐺𝐾 ∙ 𝑃𝐴 + 𝐻𝐾 ∙ ℎ + 𝐹𝐾 ∙ 𝑓 ≤ 𝑧 +△
1.022.847,37 ∙ 𝜋 +
2.500 ∙ 𝑃𝐴 + 2.400 ∙ 𝑃𝐴 + 2.500 ∙ 𝑃𝐴 + 3.500 ∙ 𝑃𝐴 + 3.500 ∙ 𝑃𝐴 + 4.200 ∙ 𝑃𝐴 +
1.500 ∙ ℎ + 1.500 ∙ ℎ + 1.700 ∙ ℎ + 2.000 ∙ ℎ + 2.200 ∙ ℎ + 1.800 ∙ ℎ +
2.000 ∙ 𝑓 + 1.600 ∙ 𝑓 + 1.800 ∙ 𝑓 + 3.000 ∙ 𝑓 + 2.000 ∙ 𝑓 + 2.000 ∙ 𝑓 +
2.500 ∙ 𝑃𝐴 + 2.400 ∙ 𝑃𝐴 + 2.500 ∙ 𝑃𝐴 + 3.500 ∙ 𝑃𝐴 + 3.500 ∙ 𝑃𝐴 + 4.200 ∙ 𝑃𝐴 +
1.500 ∙ ℎ + 1.500 ∙ ℎ + 1.700 ∙ ℎ + 2.000 ∙ ℎ + 2.200 ∙ ℎ + 1.800 ∙ ℎ +
2.000 ∙ 𝑓 + 1.600 ∙ 𝑓 + 1.800 ∙ 𝑓 + 3.000 ∙ 𝑓 + 2.000 ∙ 𝑓 + 2.000 ∙ 𝑓 +
2.500 ∙ 𝑃𝐴 + 2.400 ∙ 𝑃𝐴 + 2.500 ∙ 𝑃𝐴 + 3.500 ∙ 𝑃𝐴 + 3.500 ∙ 𝑃𝐴 + 4.200 ∙ 𝑃𝐴 +
1.500 ∙ ℎ + 1.500 ∙ ℎ + 1.700 ∙ ℎ + 2.000 ∙ ℎ + 2.200 ∙ ℎ + 1.800 ∙ ℎ +
2.000 ∙ 𝑓 + 1.600 ∙ 𝑓 + 1.800 ∙ 𝑓 + 3.000 ∙ 𝑓 + 2.000 ∙ 𝑓 + 2.000 ∙ 𝑓 ≤ 3.343.959,05
𝑑 ∙ 𝜋− 𝑎 ∙ 𝑃𝐸 ≤ − 𝑃𝐵 − 𝑑 ∀ 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇
∈
𝑡=1
18 ∙ 𝜋 − (0,9 ∙ 𝑃𝐸 + 0,85 ∙ 𝑃𝐸 + 0,95 ∙ 𝑃𝐸 ) ≤ −(72 − 18)
27 ∙ 𝜋 − (0,93 ∙ 𝑃𝐸 + 0,85 ∙ 𝑃𝐸 + 0,9 ∙ 𝑃𝐸 + 0,95 ∙ 𝑃𝐸 ) ≤ −(108 − 27)
15 ∙ 𝜋 − (0,8 ∙ 𝑃𝐸 + 0,9 ∙ 𝑃𝐸 + 0,95 ∙ 𝑃𝐸 ) ≤ −(60 − 15)
𝑡=2
21 ∙ 𝜋 − (0,95 ∙ 𝑃𝐸 + 0,7 ∙ 𝑃𝐸 + 0,9 ∙ 𝑃𝐸 ) ≤ −(84 − 21)
24 ∙ 𝜋 − (0,9 ∙ 𝑃𝐸 + 0,7 ∙ 𝑃𝐸 + 0,8 ∙ 𝑃𝐸 + 0,9 ∙ 𝑃𝐸 ) ≤ −(96 − 24)
21 ∙ 𝜋 − (0,85 ∙ 𝑃𝐸 + 0,8 ∙ 𝑃𝐸 + 0,9 ∙ 𝑃𝐸 ) ≤ −(84 − 21)
𝑡=3
15 ∙ 𝜋 − (0,8 ∙ 𝑃𝐸 + 0,95 ∙ 𝑃𝐸 + 0,93 ∙ 𝑃𝐸 ) ≤ −(60 − 15)
30 ∙ 𝜋 − (0,8 ∙ 𝑃𝐸 + 0,95 ∙ 𝑃𝐸 + 0,8 ∙ 𝑃𝐸 + 0,93 ∙ 𝑃𝐸 ) ≤ −(120 − 30)
18 ∙ 𝜋 − (0,9 ∙ 𝑃𝐸 + 0,8 ∙ 𝑃𝐸 + 0,93 ∙ 𝑃𝐸 ) ≤ −(72 − 18)

𝑑 ∙ 𝜋+ 𝑎 ∙ 𝑃𝐸 ≤ 𝑃𝐵 +𝑑 ∀ 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇
∈
𝑡=1
20 ∙ 𝜋 + 0,93 ∙ 𝑃𝐸 + 0,92 ∙ 𝑃𝐸 + 0,98 ∙ 𝑃𝐸 ≤ 80 + 20
29 ∙ 𝜋 + 0,96 ∙ 𝑃𝐸 + 0,92 ∙ 𝑃𝐸 + 0,95 ∙ 𝑃𝐸 + 0,98 ∙ 𝑃𝐸 ≤ 116 + 29
16 ∙ 𝜋 + 0,9 ∙ 𝑃𝐸 + 0,95 ∙ 𝑃𝐸 + 0,98 ∙ 𝑃𝐸 ≤ 64 + 16
𝑡=2
23 ∙ 𝜋 + 0,98 ∙ 𝑃𝐸 + 0,9 ∙ 𝑃𝐸 + 0,95 ∙ 𝑃𝐸 ≤ 92 + 23
26 ∙ 𝜋 + 0,95 ∙ 𝑃𝐸 + 0,9 ∙ 𝑃𝐸 + 0,95 ∙ 𝑃𝐸 + 0,95 ∙ 𝑃𝐸 ≤ 104 + 26
23 ∙ 𝜋 + 0,92 ∙ 𝑃𝐸 + 0,95 ∙ 𝑃𝐸 + 0,95 ∙ 𝑃𝐸 ≤ 92 + 23
𝑡=3
16 ∙ 𝜋 + 0,9 ∙ 𝑃𝐸 + 0,98 ∙ 𝑃𝐸 + 0,98 ∙ 𝑃𝐸 ≤ 64 + 16
32 ∙ 𝜋 + 0,98 ∙ 𝑃𝐸 + 0,98 ∙ 𝑃𝐸 + 0,9 ∙ 𝑃𝐸 + 0,98 ∙ 𝑃𝐸 ≤ 128 + 32
20 ∙ 𝜋 + 0,95 ∙ 𝑃𝐸 + 0,9 ∙ 𝑃𝐸 + 0,98 ∙ 𝑃𝐸 ≤ 80 + 20
𝑑 ∙𝜋+ℎ ≤𝐻 +𝑑 ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇
𝑡=1 𝑡=2 𝑡=3

5∙𝜋+ℎ ≤ 30 + 5 5∙𝜋+ℎ ≤ 30 + 5 5∙𝜋+ℎ ≤ 30 + 5
7∙𝜋+ℎ ≤ 38 + 7 7∙𝜋+ℎ ≤ 38 + 7 7∙𝜋+ℎ ≤ 38 + 7
5∙𝜋+ℎ ≤ 15 + 5 5∙𝜋+ℎ ≤ 15 + 5 5∙𝜋+ℎ ≤ 15 + 5
4∙𝜋+ℎ ≤ 28 + 4 4∙𝜋+ℎ ≤ 28 + 4 4∙𝜋+ℎ ≤ 28 + 4
3∙𝜋+ℎ ≤ 17 + 3 3∙𝜋+ℎ ≤ 17 + 3 3∙𝜋+ℎ ≤ 17 + 3
5∙𝜋+ℎ ≤ 10 + 5 5∙𝜋+ℎ ≤ 10 + 5 5∙𝜋+ℎ ≤ 10 + 5
𝑑 ∙𝜋+𝑓 ≤𝐹 +𝑑 ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇
𝑡=1 𝑡=2 𝑡=3

3 ∙ 𝜋 + 𝑓 ≤ 39 + 3 3 ∙ 𝜋 + 𝑓 ≤ 39 + 3 3 ∙ 𝜋 + 𝑓 ≤ 39 + 3
10 ∙ 𝜋 + 𝑓 ≤ 15 + 10 10 ∙ 𝜋 + 𝑓 ≤ 15 + 10 10 ∙ 𝜋 + 𝑓 ≤ 15 + 10
8 ∙ 𝜋 + 𝑓 ≤ 22 + 8 8 ∙ 𝜋 + 𝑓 ≤ 22 + 8 8 ∙ 𝜋 + 𝑓 ≤ 22 + 8
10 ∙ 𝜋 + 𝑓 ≤ 15 + 10 10 ∙ 𝜋 + 𝑓 ≤ 15 + 10 10 ∙ 𝜋 + 𝑓 ≤ 15 + 10
8 ∙ 𝜋 + 𝑓 ≤ 22 + 8 8 ∙ 𝜋 + 𝑓 ≤ 22 + 8 8 ∙ 𝜋 + 𝑓 ≤ 22 + 8
8 ∙ 𝜋 + 𝑓 ≤ 22 + 8 8 ∙ 𝜋 + 𝑓 ≤ 22 + 8 8 ∙ 𝜋 + 𝑓 ≤ 22 + 8
(𝑎 − 𝑎 ) ∙ 𝑃𝐸 ≥ 𝑃𝐵 − 𝑝 ∀ 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇
∈
𝑡=1
0,6 ∙ 𝑃𝐸 + 0,8 ∙ 𝑃𝐸 + 0,6 ∙ 𝑃𝐸 ≥ 54
0,63 ∙ 𝑃𝐸 + 0,8 ∙ 𝑃𝐸 + 0,7 ∙ 𝑃𝐸 + 0.6 ∙ 𝑃𝐸 ≥ 81
0,7 ∙ 𝑃𝐸 + 0,7 ∙ 𝑃𝐸 + 0,6 ∙ 𝑃𝐸 ≥ 45
𝑡=2
0,7 ∙ 𝑃𝐸 + 0,65 ∙ 𝑃𝐸 + 0,8 ∙ 𝑃𝐸 ≥ 63
0,7 ∙ 𝑃𝐸 + 0,65 ∙ 𝑃𝐸 + 0,75 ∙ 𝑃𝐸 + 0.8 ∙ 𝑃𝐸 ≥ 72
0,75 ∙ 𝑃𝐸 + 0,75 ∙ 𝑃𝐸 + 0,8 ∙ 𝑃𝐸 ≥ 63
𝑡=3
0,5 ∙ 𝑃𝐸 + 0,85 ∙ 𝑃𝐸 + 0,85 ∙ 𝑃𝐸 ≥ 45
0,85 ∙ 𝑃𝐸 + 0,85 ∙ 𝑃𝐸 + 0,6 ∙ 𝑃𝐸 + 0.85 ∙ 𝑃𝐸 ≥ 90
0,85 ∙ 𝑃𝐸 + 0,6 ∙ 𝑃𝐸 + 0,85 ∙ 𝑃𝐸 ≥ 54
(𝑎 + 𝑎 ) ∙ 𝑃𝐸 ≤ 𝑃𝐵 +𝑝 ∀ 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇
∈
𝑡=1
1 ∙ 𝑃𝐸 + 1 ∙ 𝑃𝐸 + 1 ∙ 𝑃𝐸 ≤ 100
1 ∙ 𝑃𝐸 + 1 ∙ 𝑃𝐸 + 1 ∙ 𝑃𝐸 + 1 ∙ 𝑃𝐸 ≤ 145
1 ∙ 𝑃𝐸 + 1 ∙ 𝑃𝐸 + 1 ∙ 𝑃𝐸 ≤ 80
𝑡=2
1 ∙ 𝑃𝐸 + 1 ∙ 𝑃𝐸 + 1 ∙ 𝑃𝐸 ≤ 115
1 ∙ 𝑃𝐸 + 1 ∙ 𝑃𝐸 + 1 ∙ 𝑃𝐸 + 1 ∙ 𝑃𝐸 ≤ 130
1 ∙ 𝑃𝐸 + 1 ∙ 𝑃𝐸 + 1 ∙ 𝑃𝐸 ≤ 115
𝑡=3
1 ∙ 𝑃𝐸 + 1 ∙ 𝑃𝐸 + 1 ∙ 𝑃𝐸 ≤ 80
1 ∙ 𝑃𝐸 + 1 ∙ 𝑃𝐸 + 1 ∙ 𝑃𝐸 + 1 ∙ 𝑃𝐸 ≤ 160
1 ∙ 𝑃𝐸 + 1 ∙ 𝑃𝐸 + 1 ∙ 𝑃𝐸 ≤ 100
ℎ ≤𝐻 +ℎ ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇
𝑡=1 𝑡=2 𝑡=3

ℎ ≤ 35 ℎ ≤ 35 ℎ ≤ 35
ℎ ≤ 45 ℎ ≤ 45 ℎ ≤ 45
ℎ ≤ 20 ℎ ≤ 20 ℎ ≤ 20
ℎ ≤ 32 ℎ ≤ 32 ℎ ≤ 32
ℎ ≤ 20 ℎ ≤ 20 ℎ ≤ 20
ℎ ≤ 15 ℎ ≤ 15 ℎ ≤ 15
𝑓 ≤𝐹 +𝑓 ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇
𝑡=1 𝑡=2 𝑡=3

𝑓 ≤ 42 𝑓 ≤ 42 𝑓 ≤ 42
𝑓 ≤ 25 𝑓 ≤ 25 𝑓 ≤ 25
𝑓 ≤ 30 𝑓 ≤ 30 𝑓 ≤ 30
𝑓 ≤ 25 𝑓 ≤ 25 𝑓 ≤ 25
𝑓 ≤ 30 𝑓 ≤ 30 𝑓 ≤ 30
𝑓 ≤ 30 𝑓 ≤ 30 𝑓 ≤ 30
𝑃𝐸 ≤ 𝑃𝐴 ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇
∈
𝑡=1 𝑡=2
𝑃𝐸 ≤ 𝑃𝐴 𝑃𝐸 ≤ 𝑃𝐴
𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴 𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴
𝑡=3
𝑃𝐸 ≤ 𝑃𝐴
𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴
𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴
𝑃𝐴 = 𝑃𝐴 +ℎ −𝑓 ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇
𝑡=1 𝑡=2 𝑡=3

𝑃𝐴 = 40 + ℎ −𝑓 𝑃𝐴 = 𝑃𝐴 +ℎ −𝑓 𝑃𝐴 = 𝑃𝐴 +ℎ −𝑓
𝑃𝐴 = 5+ℎ −𝑓 𝑃𝐴 = 𝑃𝐴 +ℎ −𝑓 𝑃𝐴 = 𝑃𝐴 +ℎ −𝑓
𝜋, 𝑃𝐴 , 𝑃𝐸 ,ℎ ,𝑓 ≥ 0 ∀ relevanten 𝑟 ∈ 𝑅, 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇
Der Kompromissparameter sowie alle Personalausstattungs-, Personaleinsatz-, Einstellungs-

und Entlassungsvariablen müssen größer oder gleich Null sein.
Die optimale Lösung gestaltet sich dann wie folgt (vgl. Tabelle 12.36 und Tabelle 12.37):
𝝅 ≈ 𝟎, 𝟖𝟎𝟖𝟓
Tabelle 12.36 Optimale Personalausstattungen, Einstellungen und Entlassungen
𝑟=1 𝑟=2 𝑟=3 𝑟=4 𝑟=5 𝑟=6

𝑃𝐴 52,54 102,76 60 40,00 5 15
𝑡=1 ℎ 12,54 42,76 20 25,00 0 0
𝑓 0 0 0 0 0 0
𝑃𝐴 52,54 102,76 76,02 40,00 5 15
𝑡=2 ℎ 0 0 16,02 0 0 0
𝑓 0 0 0 0 0 0
𝑃𝐴 46,92 102,76 76,02 40,00 5 15
𝑡=3 ℎ 0 0 0 0 0 0
𝑓 5,62 0 0 0 0 0
Tabelle 12.37 Optimale Personaleinsätze
𝑟=1 𝑟=2 𝑟=3 𝑟=4 𝑟=5 𝑟=6

𝑞=1 52,54 - - 28,10 - 0
𝑡=1 𝑞=2 - 102,76 - 11,91 5 5,39
𝑞=3 - - 60 - 0 9,61
𝑞=1 52,54 - - 40 - 2,30
𝑡=2 𝑞=2 - 102,76 - 0 0,09 0
𝑞=3 - - 76,02 - 4,91 12,70
𝑞=1 46,92 - - 10,34 - 15
𝑡=3 𝑞=2 - 102,76 - 29,66 4,83 0
𝑞=3 - - 76,02 - 0,17 0
Aufgabe 68
Ein Bauunternehmen fertige zur Zeit parallel an drei unterschiedlichen Baustellen 𝑠 (𝑠 =

1,2,3) Einfamilienhäuser. In der aktuellen Fertigungsphase ist die zukünftige Personalbereit-

stellung für die Erstellung der Rohbauten zu ermitteln. Auf jeder der drei Baustellen sind
folgende Tätigkeiten der Art 𝑞 zu erledigen:
𝑞 = 1 - Einrichten der Baustellen
𝑞 = 2 - Errichtung der Wände
𝑞 = 3 - Gießen der Fußböden
𝑞 = 4 - Koordination der Arbeitsabläufe
Die Personalbedarfe 𝑃𝐵 , seien für die nächsten 4 Perioden 𝑡 (Arbeitswochen) bereits fest-
gestellt worden und sind Tabelle 12.38 zu entnehmen.
Zur Deckung dieser Bedarfe stehen dem Bauunternehmen verschiedene Arten von Arbeits-
kräften zur Verfügung, welche zum Teil baustellengebunden und zum Teil baustellenunge-
bunden sind:
𝑟 = 1 - Baustellengebundene Hilfskräfte
𝑟 ∗ = 1 - Baustellenungebundene Hilfskräfte
𝑟 = 2 - Baustellengebundene Maurer
𝑟 ∗ = 2 - Baustellenungebundene Maurer
𝑟 = 3 - Baustellengebundene Vorarbeiter
𝑟 = 4 - Baustellengebundene Bauleiter
Die baustellengebundenen Arbeitskräfte können dabei nur zur Deckung der Bedarfe auf der
Baustelle herangezogen werden, für welche sie angestellt sind, während die ungebundenen
als Springer auf allen Baustellen einsetzbar sind. Die entsprechenden Verwendungs- und Be-
reitstellungsspektren sind in Tabelle 12.38 dargestellt.
Für die Planung der Personalbereitstellung möchte das Bauunternehmen Versetzungen so-
wie Schulungen von Arbeitskräften ausschließen und zur Veränderung der einzelnen Perso-
nalausstattungen 𝑃𝐴 , bzw. 𝑃𝐴 ∗ nur über entsprechende Einstellungen bzw. Entlassungen
entscheiden. Vor diesem Hintergrund ist aufgrund der aktuellen Arbeitsmarktlage davon
auszugehen, dass Einstellungen sowie Entlassungen für alle Arbeitskräftekategorien unbe-
grenzt möglich sind. Weiterhin ist sich das Bauunternehmen sicher, dass im Planungszeit-
raum weder mit Fluktuation noch mit Absentismus gerechnet werden muss.
Tabelle 12.38 Bereitstellungs-, Verwendungsmöglichkeiten und Personalbedarfe
𝑟=1 𝑟=2 𝑟=3 𝑟=4 𝑟∗ = 1 𝑟∗ = 2 𝑃𝐵 , 𝑃𝐵 , 𝑃𝐵 ,
𝑞=1 × × × × × × 5 3 7
𝑞=2 - × × × - × 4 4 4
𝑡=1
𝑞=3 - - × × - - 2 1 3
𝑞=4 - - - × - - 1 1 2
𝑞=1 × × × × × × 5 3 7
𝑞=2 - × × × - × 4 4 4
𝑡=2
𝑞=3 - - × × - - 2 1 3
𝑞=4 - - - × - - 1 1 2
𝑞=1 × × × × × × 2 2 2
𝑞=2 - × × × - × 2 2 4
𝑡=3
𝑞=3 - - × × - - 1 1 1
𝑞=4 - - - × - - 1 1 2
𝑞=1 × × × × × × 2 2 2
𝑞=2 - × × × - × 1 1 2
𝑡=4
𝑞=3 - - × × - - 1 1 1
𝑞=4 - - - × - - 1 1 2
Die wöchentlichen Lohnkostensätze einer baustellengebundenen (𝐺𝐾 , ) bzw. einer baustel-

lenungebundenen (𝐺𝐾 ∗ ) Arbeitskraft sowie die entsprechenden Einstellungskostensätze
𝐻𝐾 , bzw. 𝐻𝐾 ∗ und Entlassungskostensätze 𝐹𝐾 , bzw. 𝐹𝐾 ∗ sind in Tabelle 12.39 und Ta-
belle 12.40 gegeben:
Tabelle 12.39 Lohn-, Einstellungs- und Entlassungskostensätze für Perioden 1 und 2

𝐺𝐾 , 𝐺𝐾 , 𝐺𝐾 , 𝐺𝐾 ∗ 𝐻𝐾 , 𝐻𝐾 , 𝐻𝐾 , 𝐻𝐾 ∗ 𝐹𝐾 , 𝐹𝐾 , 𝐹𝐾 , 𝐹𝐾 ∗
𝑟=1 250 250 250 - 100 100 100 - 80 80 80 -

𝑟=2 350 350 350 - 100 100 100 - 80 80 80 -
𝑟=3 500 500 500 - 200 200 200 - 140 140 140 -
𝑟=4 750 750 750 - 300 300 300 - 220 220 220 -
𝑟∗ = 1 - - - 275 - - - 120 - - - 90
𝑟∗ = 2 - - - 375 - - - 120 - - - 90
Tabelle 12.40 Lohn-, Einstellungs- und Entlassungskostensätze für Perioden 3 und 4

𝐺𝐾 , 𝐺𝐾 , 𝐺𝐾 , 𝐺𝐾 ∗ 𝐻𝐾 , 𝐻𝐾 , 𝐻𝐾 , 𝐻𝐾 ∗ 𝐹𝐾 , 𝐹𝐾 , 𝐹𝐾 , 𝐹𝐾 ∗
𝑟=1 275 275 275 - 150 150 150 - 120 120 120 -
𝑟=2 385 385 385 - 150 150 150 - 120 120 120 -
𝑟=3 550 550 550 - 250 250 250 - 170 170 170 -
𝑟=4 825 825 825 - 350 350 350 - 260 260 260 -
𝑟∗ = 1 - - - 300 - - - 150 - - - 130
𝑟∗ = 2 - - - 400 - - - 150 - - - 130
a. Formulieren Sie einen allgemeinen, linearen Planungsansatz zur Minimierung der Ge-
samtkosten der Personalbereitstellung für das geschilderte Problem! Definieren Sie die
von Ihnen zusätzlich eingeführten Symbole!
b. Gehen Sie nun davon aus, dass das Bauunternehmen zum aktuellen Zeitpunkt über kei-
nerlei Personal verfügt und formulieren Sie das konkrete Optimierungsmodell mithilfe
der obenstehenden Informationen!
Aufgabe 69
Eine Unternehmensberatung übernimmt ausschließlich Projekte, in denen die folgenden Be-

ratertätigkeiten gefragt sind:
𝑞 = 1 - Personalberatung
𝑞 = 2 - IT-Beratung
𝑞 = 3 - Strategieberatung
𝑞 = 4 - Finanzberatung
Zusätzlich zu den Beratertätigkeiten fallen zudem Tätigkeiten der Art 𝑞 = 5 (Kundenak-

quise) an.
Zum aktuellen Zeitpunkt verfügt die Beratung über vier verschiedene Arten von Junior Con-
sultants (𝑟 = 1,2,3,4), zwei Arten von Senior Consultants (𝑟 = 5,6) und Partner (𝑟 = 7). Die
entsprechenden Bereitstellungs- und Verwendungsspektren sowie die aktuellen Personal-
ausstattungen 𝑃𝐴 sind in der nachfolgenden Tabelle 12.41 dargestellt:
Tabelle 12.41 Bereitstellungs- und Verwendungsmöglichkeiten sowie Personalanfangs-

ausstattungen
𝑟=1 𝑟=2 𝑟=3 𝑟=4 𝑟=5 𝑟=6 𝑟=7

𝑞=1 × - - - × - ×
𝑞=2 - × - - - × ×
𝑞=3 - - × - × × ×
𝑞=4 - - - × - × ×
𝑞=5 - - - - - - ×
𝑃𝐴 10 10 10 10 4 6 2
Aufgrund der Tatsache, dass die beiden Partner in drei (𝑡 = 4) bzw. in fünf (𝑡 = 6) Jahren
altersbedingt in den Ruhestand gehen werden und aufgrund des Fachkräftemangels weder
Senior Consultants noch Partner vom externen Arbeitsmarkt beschafft werden können,
möchte die Beratung folgende Fortbildungsmaßnahmen ermöglichen:
Junior Consultants der Arten 𝑟 = 1 und 𝑟 = 3 können zu einem zweijährigen Vertiefungs-

studium („Strategisches Management“ bzw. „Personalmanagement“) geschickt werden und
würden mit erfolgreichem Abschluss dieses Studiums zu Senior Consultants der Art 𝑟 = 5.
Die Unternehmensberatung schätzt die Abbruchquoten der beiden Studiengänge auf jeweils
10 Prozent.
Junior Consultants der Arten 𝑟 = 2, 𝑟 = 3 und 𝑟 = 4 können zu einem dreijährigen Vertie-

fungsstudium („Strategisches Finanzmanagement“, „Wirtschaftsinformatik mit Schwer-
punkt Finanzen“ bzw. „Wirtschaftsinformatik mit Schwerpunkt Strategisches Manage-
ment“) geschickt werden und würden mit erfolgreichem Abschluss dieses Studiums zu Se-
nior Consultants der Art 𝑟 = 6. Die Unternehmensberatung schätzt die Abbruchquoten der
drei Studiengänge auf jeweils 20 Prozent.
Senior Consultants der Arten 𝑟 = 5 und 𝑟 = 6 können zu einem dreijährigen Promotionsstu-

dium geschickt werden und würden mit erfolgreichem Abschluss dieses Studiums zu Part-
nern. Die Unternehmensberatung schätzt die Abbruchquote der Promotion auf 50 Prozent.
Aus personalpolitischen Gründen möchte die Unternehmensberatung jährlich maximal 5 %

des gesamten Personals entlassen. Zudem können laut aktuellen Arbeitsmarktprognosen
jährlich maximal 2 Junior Consultants jeder Kategorie eingestellt werden.
a. Formulieren Sie für den insgesamt 6 Jahre umfassenden Planungszeitraum einen allge-
meinen, vollständigen Ansatz zur wechselseitigen Abstimmung von Personalbedarf, -
ausstattung und -einsatz unter Vernachlässigung von Fluktuation (mit Ausnahme von
𝑟 = 7), Absentismus, spontanen Lernprozessen, Personalausleihe, Versetzungen und Be-
förderungen! Definieren Sie die von Ihnen zusätzlich eingeführten Symbole!
b. Gegeben seien nun auch die konkreten Personalbedarfe 𝑃𝐵 , Gehaltskostensätze 𝐺𝐾 ,

Einstellungskostensätze 𝐻𝐾 , Entlassungskostensätze 𝐹𝐾 und Fortbildungskostensätze
𝑆𝐾 , ∗ (vgl. Tabelle 12.42 und Tabelle 12.43):
𝑡=1 𝑡=2 𝑡=3 𝑡=4 𝑡=5 𝑡=6

𝑞=1 9 9 11 11 8 8
𝑞=2 10 10 8 8 12 12
𝑃𝐵 𝑞=3 11 11 9 9 10 10
𝑞=4 10 10 11 11 9 9
𝑞=5 2 2 2 2 2 2
Tabelle 12.43 Gehalts-, Einstellungs-, Entlassungs- und Schulungskostensätze in Tau-

send Geldeinheiten
𝐺𝐾 𝐻𝐾 𝐹𝐾 𝑆𝐾 , ∗ 𝑆𝐾 , ∗ 𝑆𝐾 , ∗
𝑟=1 50 5 10 15 - -
𝑟=2 50 5 10 - 25 -
𝑟=3 50 5 10 15 25 -
𝑡 = 1, … ,6 𝑟=4 50 5 10 - 25 -
𝑟=5 75 - 20 - - 50
𝑟=6 75 - 20 - - 50
𝑟=7 150 - 50 - - -
Formulieren Sie ein konkretes Optimierungsmodell zur Minimierung der Gesamtkosten mit-
hilfe der obenstehenden Informationen!
Reine Personalverwendungsplanung 185
12.4 Reine Personalverwendungsplanung
12.4.1 Grundmodell
Die Entscheidungssituation der reinen Personalverwendungsplanung ist dadurch charakte-
risiert, dass für eine vorab (als Datum) festgelegte und somit nicht mehr durch betriebliche
Entscheidungen veränderbare Personalausstattung optimale Beschäftigungsmöglichkeiten -
der optimale Personalbedarf - und ggf. der optimale Personaleinsatzplan gesucht werden.
Man formuliert sie nicht zuletzt dann, wenn man eine vorhandene Personalausstattung hal-
ten möchte und für diese neuen Betätigungsfelder sucht, z.B. weil der Betrieb in eine ver-
triebliche Krise geraten ist. Wir wollen im Folgenden ein Grundmodell formulieren, bei dem
die personellen Beschäftigungsmöglichkeiten über Prozesse und Tätigkeiten bestimmt wer-
den (vgl. Kossbiel 1988, S. 1128 f. und Muche 1989). Der Modellierung legen wir folgende
Symbole zugrunde:
Mengen
𝑄 ≔ {𝑞|𝑞 = 1, … , 𝑞} Menge der Tätigkeitsarten
𝐾 ≔ {𝑘|𝑘 = 1, … , 𝐾} Menge der Prozessarten
𝑅 ≔ 𝑟 Arbeitskräfte der Art 𝑟 können Tätigkeiten der Art 𝑞 ∈ 𝑄 erledigen
𝐾 ≔ 𝑘 Bei Prozessen der Art 𝑘 sind Tätigkeiten der Art 𝑞 ∈ 𝑄 zu erledigen
Daten
𝑃𝐴 ≔ (Personal-) Ausstattung mit Arbeitskräften der Art 𝑟 ∈ 𝑅 in Teilperiode 𝑡 ∈ 𝑇
𝐷 ≔ Deckungsbeitrag, der mit der einmaligen Durchführung des Prozesses 𝑘 verbun-

den ist
𝑎 ≔ (Personal-) Bedarf für Tätigkeiten der Art 𝑞 bei einmaliger Durchführung von Pro-
zessen der Art 𝑘
𝑥 ≔ bis zur Periode 𝑡 maximal zulässige Durchführungen des Prozesses 𝑘
𝑥 ≔ Niveau (d.h. Anzahl der Durchführungen) des Prozesses 𝑘 in Teilperiode 𝑡

𝐷 ∙𝑥 → max! (Z. 15)

∈ ∈
[Lies: Maximiere den Gesamtdeckungsbeitrag aller Prozessdurchführungen.]
u.d.N.:
𝑎 ∙𝑥 ≤ 𝑃𝐴 ∀ 𝑄 ∈ 𝕻(𝑄)\{∅}, 𝑡 ∈ 𝑇 (R. 68)

∈ ∈ r ∈ Rq
q∈Qˆ
[Lies: Stimme Personalbedarf und Personalausstattung nach Maßgabe des impliziten Ansat-
zes ab. Die jeweiligen Teilpersonalbedarfe sind Entscheidungsvariable. Sie ergeben sich aus
der Umrechnung von prozessbezogenen in tätigkeitsbezogene Personalbedarfe.]
Obergrenzen:
𝑥 ≤𝑥 ∀ 𝑘 ∈ 𝐾, 𝑡 ∈ 𝑇 (R. 69)
[Lies: Die bis zu Teilperiode 𝑡 kumulierte Anzahl der Prozessdurchführungen der Art 𝑘 darf
die korrespondierende Obergrenze 𝑥 nicht überschreiten.]
𝑥 ≥0 ∀ 𝑘 ∈ 𝐾, 𝑡 ∈ 𝑇 (R. 70)
Das skizzierte Modell entspricht einer defensiven Personalverwendungsstrategie da die Per-

sonalausstattung nicht mehr durch betrieblicherseits induzierte Änderungen variriert wer-
den kann. Bei offensiven Strategien könnte der Betrieb durch Personalentwicklungsmaßnah-
men in die Personalausstattung eingreifen.
Aufgabe 70
In einer Näherei werden T-Shirts (𝑘 = 1) und Pullover (𝑘 = 2) gefertigt, wobei T-Shirts für
einen Preis i.H.v. 20 €/Stück und Pullover für einen Preis i.H.v. 50 €/Stück direkt bei Mode-
geschäften abgesetzt werden können. Die Herstellung eines T-Shirts kostet die Näherei dabei
8 €, während die Produktionskosten eines Pullovers 28 € betragen. Aufgrund der beschränk-
ten Anzahl der an Modegeschäfte weiter zu verkaufenden Kleidungsstücke möchte das Un-
ternehmen täglich nicht mehr als 5.000 T-Shirts und 3.500 Pullover fertigen (𝑋 ). Weiterhin
nehmen die Modegeschäfte in der Regel ein bestimmtes Verhältnis von T-Shirt- und Pullo-
ver-Mengen ab. Daher soll die Produktion so ausgerichtet werden, dass mindestens 20%
(𝑝 ), jedoch maximal 35% (𝑝 ) der Gesamtproduktionsmenge aus Pullovern besteht.
Der Großteil der Kleidungsproduktion erfolgt in der Näherei maschinell. Dennoch fallen bei
der Herstellung der beiden Kleidungsstückarten drei Arten von Tätigkeiten 𝑞 (𝑞 = 1,2,3) an,
die von Arbeitskräften zu erledigen sind:
𝑞 = 1 - Stoffe zuschneiden
𝑞 = 2 - Nähte überprüfen
𝑞 = 3 - Endkontrolle und Verpackung der Produkte
Die Näherei rechnet aufgrund der vergangenen Produktionsperioden damit, dass die Zeit
für die Erledigung einer Tätigkeit der Art 𝑞 pro T-Shirt (Pullover) 𝑎 den Angaben in der
folgenden Tabelle 12.44 entspricht:
Tabelle 12.44 Zeit zur Aufgabenerledigung
T-Shirts (𝑘 = 1) Pullover (𝑘 = 2)
Stoffe zuschneiden (𝑞 = 1) 1 Minute 2 Minuten
Nähte überprüfen (𝑞 = 2) 0,5 Minuten 1 Minute
Endkontrolle u. Verpackung (𝑞 = 3) 2 Minuten 3 Minuten
Die der Näherei zur Verfügung stehenden Arbeitskräfte können in drei Arten 𝑟 (𝑟 = 1,2,3)
untergliedert werden:
𝑟 = 1 - Schneider
𝑟 = 2 - Textilfacharbeiter
𝑟 = 3 - Hilfskräfte
Über die entsprechenden Bereitstellungs- und Verwendungsmöglichkeiten informiert das

nachstehende Tableau (vgl. Tabelle 12.45):
𝑟=1 𝑟=2 𝑟=3

𝑞=1 × × ×
𝑞=2 × - -
𝑞=3 × × -
Zudem können die Arbeitskräfte entweder in Vollzeit (8 Arbeitsstunden pro Tag) oder in
Teilzeit (4 Arbeitsstunden pro Tag) angestellt sein. Die gegebenen Personalausstattungen
𝑃𝐴 sowie 𝑃𝐴 sind in Tabelle 12.46 aufgeführt:
Tabelle 12.46 Anzahl der Arbeitskräfte in Voll- und Teilzeit
Vollzeit Teilzeit
(8 Arbeitsstunden/Tag) (4 Arbeitsstunden/Tag)
Schneider (𝑟 = 1) 20 -
Textilfacharbeiter (𝑟 = 2) 10 10
Hilfskräfte (𝑟 = 3) 5 5
Formulieren Sie ein Modell der reinen Personalverwendungsplanung mit dem Ziel der De-
ckungsbeitragsmaximierung zum vorliegenden Problem! Verwenden Sie dabei 𝑥 als Ent-
scheidungsvariable für die Anzahl der zu produzierenden Produkte der Art 𝑘!
Aufgabe 71
In einer Glasmanufaktur werden mithilfe zweier Prozesse (Prozess 1: „Glasfertigung“; Pro-

zess 2: „Glasverzierung“) die Produkte „Glasrohlinge“ und „Gläserne Dekorationsobjekte“
gefertigt. Während die gefertigten Glasrohlinge zu 60% als Endprodukte am Markt abgesetzt
werden, gehen sie zu 40% als Zwischenprodukte in den Prozess der Glasverzierung ein. Die
aus dem Prozess der Glasverzierung heraus entstandenen gläsernen Dekorationsobjekte
werden ausschließlich als Endprodukte vertrieben. Es wird davon ausgegangen, dass beide
Endprodukte unbegrenzt am Markt abgesetzt werden können.
Für die einmalige Durchführung des Prozesses „Glasfertigung“ werden 3 kg Glasgranulat

benötigt, woraus 20 Glasrohlinge gefertigt werden können. Bei einmaliger Durchführung des
Prozesses „Glasverzierung“ können 8 gläserne Dekorationsobjekte hergestellt werden, wo-
für zwei Tuben spezieller Glasfarbe benötigt werden. Die Beschaffung von Glasfarbe ist am
Markt unbeschränkt möglich. Die Beschaffung von Glasgranulat ist allerdings auf 90 kg pro
Tag beschränkt.
Weiterhin sind für die Durchführung der beiden Prozesse drei Arten von Aufgaben parallel
zu verrichten. Bei einem Durchlauf des Prozesses „Glasfertigung“ fällt die Erledigung der
Aufgabenart „Glas formen“ 𝑞 1 an. Für das Formen des Glases werden pro Prozess-
durchlauf vier Arbeitskräfte benötigt. Bei einem Durchlauf des Prozesses „Glasverzierung“
fällt die Erledigung der Aufgabenart „Glas bemalen“ 𝑞 2 an, wofür zwei Arbeitskräfte
benötigt werden. Zudem muss fortwährend eine „Qualitätskontrolle“ 𝑞 3 , sowohl bei
der Glasfertigung als auch bei der Glasverzierung, erfolgen, wofür jeweils zwei Arbeitskräfte
pro Prozessdurchlauf benötigt werden. Die geschilderten Zusammenhänge lassen sich wie
in Abbildung 12.4 grafisch veranschaulichen. Die Zahlen an den Pfeilen geben Auskunft
über die Quantitäten, mit denen die Faktoren in den jeweiligen Prozess bei einmaliger Durch-
führung eingehen bzw. mit denen die Produkte aus dem jeweiligen Prozess bei einmaliger
Durchführung hervorgehen.
Abbildung 12.4 Prozessablaufübersicht
Glas formen Qualitätskon- Glas bemalen

𝑞 1 trolle 𝑞 3 𝑞 2
4 AK 2 AK
Glasgra- Glas-
nulat 2 AK 2 AK farbe
3 kg 2 Tuben
Prozess 1: Glasrohlinge Prozess 2:
Glasferti- (Zwischen- Glasver-
gung 8 produkt) 8 zierung
12 8
Glasrohlinge Dekorationsobjekte
(Endprodukte) (Endprodukte)
Es wird davon ausgegangen, dass gefertigte Glasrohlinge, die als Zwischenprodukte in den
Prozess der Glasverzierung eingehen, unbeschränkt gelagert werden können. Jedoch gilt es
sicherzustellen, dass die für die Glasverzierung vorgesehene Menge an Glasrohlingen die
täglich in Prozess 1 gefertigte Menge an Glasrohlingen nicht übersteigt.
Aufgrund der beschränkten Verfügbarkeit von für die Prozessabläufe benötigten Apparatu-
ren und Werkzeuge können höchstens vier Durchläufe des Prozesses „Glasfertigung“ und
vier Durchläufe des Prozesses „Glasverzierung“ parallel durchgeführt werden.
Zur Erledigung der drei Arten von Tätigkeiten (𝑞 1, 2, 3) können Arbeitskräfte aus drei
Kategorien (𝑟 1, 2, 3) herangezogen werden, wobei eine Arbeitskraft 8 Stunden pro Tag
arbeitet. Über die verschiedenen Personalbereitstellungs- bzw. Personalverwendungsmög-

lichkeiten informiert nachstehende Tabelle 12.47. Ebenso geht aus dieser Tabelle die Struktur
der aktuell vorhandenen Personalausstattung 𝑃𝐴 sowie die Personalbedarfe 𝑃𝐵 in Abhän-
gigkeit von der Anzahl paralleler Durchläufe des Prozesses „Glasfertigung“ (𝑥 ) und des
Prozesses „Glasverzierung“ (𝑥 ) hervor.
𝑟=1 𝑟=2 𝑟=3 𝑃𝐵
𝑞=1 × - × 4𝑥
𝑞=2 - × × 2𝑥
𝑞=3 - - × 2𝑥 + 2𝑥
𝑃𝐴 12 8 8
Die Produktion wird täglich für 8 Stunden betrieben. Die Dauer einer einmaligen Durchfüh-
rung des Prozesses „Glasfertigung“ beträgt 80 Minuten und des Prozesses „Glasverzierung“
entsprechend 40 Minuten. Es wird davon ausgegangen, dass sofern ein Prozess gestartet
wird, dieser über die gesamte Produktionszeit ohne Unterbrechung durchgeführt werden
muss. Der Deckungsbeitrag eines ganztägigen Durchlaufs des Prozesses „Glasfertigung“
(bzw. „Glasverzierung“) beträgt 180 (bzw. 480).
a. Formulieren Sie für das oben beschriebene Problem einen linearen Optimierungsansatz
mit dem Ziel der Maximierung des täglichen Gesamtdeckungsbeitrags! Der Personal-
einsatz muss dabei nicht explizit berücksichtigt werden!
b. Bestimmen Sie grafisch die Menge der zulässigen Lösungen sowie die optimale Anzahl
paralleler Durchläufe der Prozesse 1 und 2! Geben Sie die optimale Lösung explizit an!
Aufgabe 72
Ein Veranstalter von geführten Abenteuer-Kurztrips erwägt, sog. Survival-Wochenenden in

sein Portfolio mitaufzunehmen. Aufgrund dessen, dass für die Durchführung solcher Trips
allerdings bisher nicht vorhandene Survival-Trainer benötigt werden und diese aktuell am
Arbeitsmarkt nicht verfügbar sind, müsste das Unternehmen einen oder mehrere bereits an-
gestellte Mitarbeiter zu einer entsprechenden Ausbildung schicken. Der Veranstalter möchte
nun überprüfen, ob das Anbieten der Survival-Trips und die dafür benötigten Schulungen
für das Unternehmen sinnvoll wären.
Zur Zeit bietet das Unternehmen Wild-Camping-Touren (𝑘 = 1), Kletter-Touren (𝑘 = 2) und

Kanu-Touren (𝑘 = 3) an. Im Durchschnitt erwirtschaftet der Veranstalter pro durchgeführter
Tour einen Deckungsbeitrag 𝐷𝐵 i.H.v. 500€ (𝐷𝐵 ) , 750€ (𝐷𝐵 ) bzw. 300€ (𝐷𝐵 ).
Die während dieser Touren durchzuführenden Aufgaben der Art 𝑞 (𝑞 = 1,2,3,4) und die da-
mit verbundenen Anzahlen an benötigten Arbeitskräften pro Tour und Aufgabenart 𝑎 sind
im Folgenden (vgl. Tabelle 12.48) dargestellt:
Wild-Camping Klettern Kanu

(𝑘 = 1) (𝑘 = 2) (𝑘 = 3)
Hilfestellungen beim Campen
1 - -
geben (𝑞 = 1)
Hilfestellungen beim Klettern
- 2 -
geben (𝑞 = 2)
Erste Hilfe leisten (𝑞 = 3) 1 1 1
Ausrüstung vorbereiten und

1 2 1
transportieren (𝑞 = 4)
Zur Erledigung dieser Aufgaben stehen dem Unternehmen drei Arten von Arbeitskräften 𝑟
(𝑟 = 1,2,3) zur Verfügung. Die entsprechenden Bereitstellungs- und Verwendungsmöglich-
keiten sowie die aktuellen Personalausstattungen 𝑃𝐴 sind dem nachstehenden Tableau
(vgl. Tabelle 12.49) zu entnehmen:
Tabelle 12.49 Bereitstellungs-, Verwendungsmöglichkeiten und Personalanfangsaus-

stattungen
Studentische
Wildführer Klettertrainer
Aushilfen
(𝑟 = 1) (𝑟 = 2)
(𝑟 = 3)
Hilfestellungen beim
× - -
Campen geben (𝑞 = 1)
Hilfestellungen beim Klettern
- × -
geben (𝑞 = 2)
Erste Hilfe leisten (𝑞 = 3) - × ×
Ausrüstung vorbereiten und
× × ×
transportieren (𝑞 = 4)
𝑃𝐴 5 4 16
Für die einmonatige Schulung zum Survival-Trainer (𝑟 = 4) kommen nach Analyse des Ver-
anstalters ausschließlich die Wildführer in Frage [Hinweis: Bei der Schulung werden bereits
bestehende Qualifikationen nicht verlernt!]. Die Kosten dieser Ausbildung (𝑆𝐾 , ∗ ) betragen
250€ pro Schulung und Mitarbeiter. Zudem wurde ermittelt, dass für die Durchführung der
Survival-Wochenenden (𝑘 = 4) neben 𝑞 = 3 und 𝑞 = 4 auch die Aufgabenart „Survivaltrai-
ning durchführen“ (𝑞 = 5) zu erledigen ist. Für jede Aufgabenart würde der Veranstalter
einen Bedarf von einer Arbeitskraft pro Trip generieren.
Aufgrund einer ersten Nachfrageprognose für die Survival-Wochenenden möchte der An-
,
bieter allerdings monatlich nicht mehr als zwei dieser Trips (𝑋 ) in den kommenden Mo-
naten anbieten.
Formulieren Sie unter Annahme, dass die Survival-Wochenenden einen durchschnittlichen

Deckungsbeitrag von 2.000€ generieren, einen linearen Ansatz aus dem Bereich der offensi-
ven Personalverwendungsplanung für die nächsten vier Monate! Verwenden Sie dabei die
folgenden Entscheidungsvariablen:
𝑥 ≔ Anzahl durchzuführender Trips der Art 𝑘 in Periode 𝑡
𝑃𝐸 ≔ Personaleinsatz von Arbeitskräften der Art 𝑟 für die Erledigung von

Aufgaben der Art 𝑞 in Periode 𝑡
𝑃𝐴 ≔ Personalausstattung an Arbeitskräften der Art 𝑟 in Periode 𝑡
𝑃𝐸(𝑆) , ∗ ≔ Anzahl der Arbeitskräfte der Art 𝑟, die in Periode 𝑡 eine Schulung zu
Arbeitskräften der Art 𝑟 ∗ beginnen
[Hinweis: Alle weiteren, oben nicht beschriebenen Möglichkeiten der Personalausstattungs-

veränderung sind ausgeschlossen!]
12.5 Simultane Personalplanung
12.5.1 Überblick
Bei simultanen Personalplanungen geht – ebenso wie bei der reinen Personalverwendungs-
planung – der Personalbedarf als Entscheidungsvariable in den Optimierungskalkül ein. Im
Gegensatz zu letztgenannter wird hier aber zusätzlich auch die optimale Personalausstat-
tung gesucht. Des Weiteren sind simultane Personalplanungen immer durch Anbindungen
an mindestens einen weiteren Funktionsbereich der Unternehmung charakterisiert (Stich-
wort: integrierte Personalplanung [vgl. Spengler 2009, S. 1033 f.]): Neben der Personalbereit-
stellung und -verwendung werden im Zuge der simultanen Personal- und
■ Investitionsplanung Entscheidungen über die Art und Anzahl anzuschaffender Ma-

schinen (vgl. Domsch 1970, Müller-Hagedorn 1974, Strutz 1974 und Kossbiel 1988, S.
1129 ff.)
Simultane Personalplanung 193
■ Produktionsplanung Entscheidungen über die Art und Anzahl zu produzierender

Güter oder der Faktorbereitstellung (vgl. Jarr 1974, Kochen 1979, S. 127 ff., Kossbiel
1988, S. 1129 ff. und Kossbiel/Spengler 2015, S. 444 ff.)
■ Organisationsplanung Entscheidungen über Art und Anzahl zu implementierender

Stellen (vgl. Kossbiel 1972, S. 101 ff., 1980, Hilbert 1990, Spengler 1993, S. 159 ff.,
1993a und Bürkle 1999, S. 43 ff.)
vorbereitet bzw. getroffen.
12.5.2 Simultane Personal- und Produktionsplanung
Im Zuge simultaner Personal- und Produktionsplanungen wird entweder nur das Produkti-
onsprogramm oder der Produktionsprozess oder es werden beide geplant. Bei Produktions-
prozessplanungen geht es u.a. um Entscheidungen über die Faktorbereitstellung (hier: ohne
Arbeitskräfte), über Termine und über Reihenfolgen von Teilprozessen. Wir wollen im Fol-
genden jedoch ein einfach gehaltenes Grundmodell zur simultanen Personal- und Produkti-
onsprogrammplanung vorstellen (vgl. Kossbiel/Spengler 2015, S. 444 ff.). Neben entspre-
chenden Entscheidungen über Personalausstattungen und Personaleinsätze sollen bei ent-
scheidungsabhängigen Personalbedarfen Entscheidungen über die Art und Anzahl zu pro-
duzierender, zu lagernder und abzusetzender Güter getroffen werden. Seitens des Personal-
einsatzes ist nur der Einsatz in Leistungsprozessen relevant, Fluktuation und Absentismus
spielen keine Rolle, alle Daten sind deterministisch. Es handelt sich zudem um ein mehr-
periodiges Planungsproblem.
Der Modellierung legen wir folgende Symbole zugrunde:
Mengen
𝐾 ≔ {𝑘|𝑘 = 1, … , 𝐾} Menge der Prozessarten
𝐼 ≔ {𝑖|𝑖 = 1, … , 𝐼} Menge der Produktarten
𝑄 ≔ 𝑞 Tätigkeiten der Art 𝑞 können von Arbeitskräften der Art 𝑟 ∈ 𝑅 erledigt

werden}
𝐾 ≔ 𝑘 Bei Prozessen der Art 𝑘 sind Tätigkeiten der Art 𝑞 ∈ 𝑄 zu erledigen

Daten
𝑑 ≔ Kosten der Durchführung eines Prozesses der Art 𝑘 ∈ 𝐾 in Teilperiode 𝑡 ∈ 𝑇
𝑙 ≔ Kosten der Lagerung eines Produktes der Art 𝑖 ∈ 𝐼 in Teilperiode 𝑡 ∈ 𝑇
𝑝 ≔ (Stück-) Preis eines Produktes der Art 𝑖 ∈ 𝐼 in Teilperiode 𝑡 ∈ 𝑇
𝐺𝐾 ≔ Gehaltskosten einer Arbeitskraft der Art 𝑟 ∈ 𝑅 in Teilperiode 𝑡 ∈ 𝑇
𝐻𝐾 ≔ Kosten der Einstellung einer Arbeitskraft der Art 𝑟 ∈ 𝑅 in Teilperiode 𝑡 ∈ 𝑇
𝐹𝐾 ≔ Kosten der Entlassung einer Arbeitskraft der Art 𝑟 ∈ 𝑅 in Teilperiode 𝑡 ∈ 𝑇
𝑎 ≔ Personalbedarf für Tätigkeiten der Art 𝑞 bei einmaliger Durchführung von Pro-
Zessen der Art 𝑘
𝑐 ≔ bei einmaliger Durchführung des Prozesses der Art 𝑘 ∈ 𝐾 ausgebrachte Menge

eines Produktes der Art 𝑖 ∈ 𝐼
𝑃𝐴 ≔ Anfangsausstattung mit Arbeitskräften der Art 𝑟 ∈ 𝑅
𝑚 ≔ Lageranfangsbestand der Produktart 𝑖 ∈ 𝐼
𝑣 ≔ Absatzmenge von Produkten der Art 𝑖 ∈ 𝐼 in Teilperiode 𝑡 ∈ 𝑇
𝑥 ≔ Niveau (d.h. Anzahl der Durchführungen) des Prozesses 𝑘 in Teilperiode 𝑡
𝑚 ≔ Lagermenge von Produkten der Art 𝑖 ∈ 𝐼 in Teilperiode 𝑡 ∈ 𝑇
ℎ ≔ Anzahl der in Teilperiode 𝑡 ∈ 𝑇 einzustellenden Arbeitskräfte der Art 𝑟 ∈ 𝑅
𝑓 ≔ Anzahl der in Teilperiode 𝑡 ∈ 𝑇 zu entlassenden Arbeitskräfte der Art 𝑟 ∈ 𝑅
𝑃𝐸 ≔ Anzahl an in Teilperiode 𝑡 ∈ 𝑇 für die Erledigung von Tätigkeiten der Art 𝑞 ∈ 𝑄

einzusetzenden Arbeitskräfte der Art 𝑟 ∈ 𝑅
𝑝 ∙𝑣 − 𝑑 ∙𝑥 − 𝑙 ∙𝑚 −
∈ ∈ ∈ ∈
𝐻𝐾 + 𝐺𝐾 ∙ ℎ + 𝐹𝐾 − 𝐺𝐾 ∙𝑓 → max! (Z. 16)

∈ ∈ ∈
[Lies: Maximiere den Gesamtdeckungsbeitrag! Dieser ergibt sich als Differenz von Umsatz-
erlösen aus Produktverkäufen und der Summe von Produktions-, Lager-, Gehalts-, Einstel-
lungs- und Entlassungskosten.]
u.d.N.:
Abstimmung Personalbedarf und Personaleinsatz:
𝑎 ∙𝑥 = 𝑃𝐸 ∀ 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇 (R. 71)
∈ ∈
[Lies: Decke gemäß explizitem Ansatz jeden tätigkeits- und periodenspezifischen Personal-
bedarf exakt durch den Einsatz hinreichend qualifizierter Arbeitskräfte! Die tätigkeits- und
periodenspezifischen Personalbedarfe ergeben sich durch Umrechnung aus den prozess-
und periodenspezifischen Personalbedarfen.]
Abstimmung Personaleinsatz und Personalausstattung:
𝑃𝐸 ≤ 𝑃𝐴 + (ℎ −𝑓 ) ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (R. 72)
∈
[Lies: Stelle gemäß explizitem Ansatz von jeder Arbeitskräftekategorie mindestens so viele
Arbeitskräfte zur Verfügung, wie in entsprechenden Leistungsprozessen eingesetzt werden
sollen! Die perioden- und qualifikationsspezifische Personalausstattung ergibt sich dabei aus
der entsprechenden Anfangsausstattung zuzüglich aller korrespondierenden Einstellungen
und abzüglich aller korrespondierenden Entlassungen.]
Lagerbestandsfortschreibung:
𝑚 =𝑚 + 𝑐 ∙𝑥 −𝑣 ∀ 𝑖 ∈ 𝐼, 𝑡 ∈ 𝑇 (R. 73)
∈
[Lies: Schreibe die Lagerbestände periodenweise fort!]
𝑣 , 𝑥 , 𝑚 , ℎ , 𝑓 , 𝑃𝐸 ≥0 ∀ relevanten 𝑖 ∈ 𝐼, 𝑗 ∈ 𝐽, 𝑟 ∈ 𝑅, 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇 (R. 74)
Dieser bewusst einfach gehaltene Ansatz lässt sich in vielfacher Hinsicht erweitern, z.B.
durch die Integration von Unter- und Obergrenzen für die Entscheidungsvariablen oder
Fluktuations- und Absentismusraten. Man kann ihn zudem in ein sog. Produktionsglät-
tungsmodell umformulieren (vgl. Jarr 1973, S. 434, 1974, S. 686 ff. und Kossbiel/Spengler
2015, S. 444).
12.5.2.2 Übungsaufgabe
Aufgabe 73
Ein Start-Up ist vor kurzem mit ultraleichten Fahrrädern an den Markt gegangen. Zur Zeit
produziert das Unternehmen eine Damen-, Kinder- und Herrenvariante dieser Räder (Pro-
dukte 𝑗 = 1, 2, 3). Aufgrund der Ähnlichkeit der Herstellung der Varianten sind die variab-
len Stückkosten identisch.
Wegen der hohen Nachfrage nach den Rädern ist das Unternehmen für die kommenden vier
Monate absatztechnisch ausgelastet und hat dementsprechend die für diesen Zeitraum aus-
zuliefernden Mengen (𝑙 ) bereits bestimmt (vgl. Tabelle 12.50):
Tabelle 12.50 Auszuliefernde Mengen für die kommenden vier Monate
𝑡=1 𝑡=2 𝑡=3 𝑡=4

𝑗=1 75 125 100 85
𝑗=2 25 50 10 60
𝑗=3 120 85 150 50
Aufgrund der Produktion der vergangenen Monate verfügt das Start-Up allerdings noch
über Restbestände der drei Fahrradvarianten (Lageranfangsbestände). Zudem möchte die
Geschäftsleitung aus Flexibilitätsgründen sicherstellen, dass am Ende der kommenden vier
Monate weiterhin Restbestände (Lagerendbestände) verfügbar sind. Tabelle 12.51 enthält
Informationen über diese Lageranfangs- und -endbestände sowie über die anfallenden Kos-
ten pro gelagertem Rad und Monat:
Tabelle 12.51 Lageranfangs-, Lagerendbestände und Lagerkostensätze
Lageranfangs- Lagerkostensatz
Lagerendbestand
bestand (𝐿𝐾 )
𝑗=1 30 10 25
𝑗=2 20 10 10
𝑗=3 35 10 25
Das Unternehmen beschäftigt aktuell drei unterschiedliche Arten von Arbeitskräften (𝑟 =

1,2,3). Arbeitskräfte der Art 𝑟 = 1 können jedoch nur für die Herstellung der Damen-
(𝑗 = 1) und Kinderräder (𝑗 = 2), Arbeitskräfte der Art 𝑟 = 2 nur für die Herstellung von Her-
ren- (𝑗 = 3) und Kinderrädern und Arbeitskräfte der Art 𝑟 = 3 ausschließlich für die Produk-
tion der Kinderräder herangezogen werden.
Von den bereits beschäftigten Arbeitskräften darf aufgrund der Richtlinien von Investoren
und staatlichen Förderern niemand entlassen werden. Das Start-Up kann jedoch unbegrenzt
weitere Arbeitskräfte einstellen. Dadurch, dass der innovative Herstellungsprozess für die
Fahrräder von neuen Arbeitskräften allerdings zunächst verinnerlicht werden muss, erbrin-
gen diese im ersten Monat ihrer Betriebszugehörigkeit nur 50% der Leistung einer voll ein-
gearbeiteten Kraft. Die von einer voll eingearbeiteten Arbeitskraft durchschnittlich produ-
zierten Räder, die aktuellen Personalausstattungen sowie eine mit den Investoren und staat-
lichen Förderern vereinbarte Mindestpersonalausstattung am Ende der nächsten vier Mo-
nate für jede Arbeitskräfteart sind in Tabelle 12.52 aufgeführt:
Tabelle 12.52 Monatsleistung einer voll eingearbeiteten Arbeitskraft, Personalan-

fangs- und gewünschte Personalendausstattungen
Monatsleistung einer voll ein- Personal- Gewünschte Mindestausstat-

Arbeits- gearbeiteten Arbeitskraft bei anfangs- tung mit Personal am Ende der
kräfte- Produkt 𝑗 aus- Planungsperiode
kategorie
𝑗=1 𝑗=2 𝑗=3 stattung (𝑃𝐴 , )
𝑟=1 5 6 - 7 10
𝑟=2 - 6 4 12 15
𝑟=3 - 8 - 2 5
Arbeitskräfte, die für die Produktion von Fahrrädern eingesetzt werden, erhalten einen Mo-
natslohn zuzüglich 10% Einsatzprämie. Nicht eingesetzte Arbeitskräfte erhalten ausschließ-
lich den Monatslohn. Die Monatslöhne und Einstellungskosten sind in nachfolgender Ta-
belle 12.53 aufgelistet:
Tabelle 12.53 Monatslöhne und Einstellungskosten
𝑟=1 𝑟=2 𝑟=3

Einstellungskosten pro neu
500 500 200
eingestellter Arbeitskraft (𝐻𝐾 )
Monatslohn pro Arbeitskraft bei Nicht-
2.500 2.500 2.200
einsatz in der Produktion (𝐺𝐾 )
Formulieren Sie unter Verwendung der folgenden zusätzlichen Symbole einen Ansatz zur
simultanen Personal- und Produktionsprogrammplanung mit dem Ziel der Gesamtkosten-
minimierung!
𝑚, ≔ Lagermenge der Produktart 𝑗 am Ende des Monats 𝑡
𝑝 , ≔ im Monat 𝑡 produzierte Menge der Produktart 𝑗
𝑃𝐸 , ≔ Anzahl der voll eingearbeiteten Arbeitskräfte der Kategorie 𝑟, die im Monat 𝑡 bei
der Produktion der Produktart 𝑗 eingesetzt werden
𝑃𝐸 , ≔ Anzahl der zu Beginn des Monats 𝑡 neueingestellten Arbeitskräfte der Kategorie

𝑟, die im gleichen Monat bei der Produktion der Produktart 𝑗 eingesetzt werden.
𝑃𝐴 ≔ Anzahl der voll eingearbeiteten Arbeitskräfte der Kategorie 𝑟 im Monat 𝑡
ℎ ≔ Anzahl der zu Beginn des Monats 𝑡 neueingestellten Arbeitskräfte der

Kategorie 𝑟
𝑓 ≔ Anzahl der zu Beginn des Monats 𝑡 entlassenen Arbeitskräfte der Kategorie 𝑟,

die im Monat t nicht in der Produktion eingesetzt werden
𝑃𝑁𝐸 ≔ Anzahl der voll eingearbeiteten Arbeitskräfte der Kategorie 𝑟, die im Monat
𝑡 nicht in der Produktion eingesetzt werden
𝑃𝑁𝐸 ≔ Anzahl der im Monat 𝑡 neueingestellten Arbeitskräfte der Kategorie 𝑟, die im

gleichen Monat nicht in der Produktion eingesetzt werden
12.5.3 Simultane Personal- und Investitionsplanung
Der nachstehend formulierte Ansatz zur simultanen Personal- und Investitionsplanung stellt
ein Kapitalwertmaximierungsmodell dar (vgl. Domsch 1970). Eine Investition umfasst dabei
zwei Teile, nämlich eine Personal- und eine Sachinvestition. Die Sachinvestition ist beispiel-
weise die Investition in eine Produktionsmaschine und die Personalinvestition entfällt dann
auf das erforderliche Bedienpersonal. Der Kapitalwert eines einzelnen Investitionsobjektes
𝑗 ∈ 𝐽 ergibt sich folglich auch aus zwei Teilen, nämlich aus dem Kapitalwert der Personal- (a)
und demjenigen der Sachinvestition (b).
Zu (a): Der Kapitalwert einer einzelnen Personalinvestition resultiert aus den Einstellungs-
auszahlungen (negatives Vorzeichen) für die erforderlichen Arbeitskräfte und dem Barwert
der Lohnauszahlungen während der Laufzeit des Investitionsobjektes (negatives Vorzei-
chen). Dabei werden die jeweiligen Auszahlungssätze je Arbeitskraft mit der Anzahl der für
eine einzelne Investition vom Typ 𝑗 ∈ 𝐽 erforderlichen Arbeitskräfte multipliziert.
Zu (b): Der Kapitalwert einer einzelnen Sachinvestition resultiert aus der Anschaffungsaus-
zahlung für eine Sachinvestition vom Typ 𝑗 ∈ 𝐽 (negatives Vorzeichen), dem Barwert der
Nettoeinzahlungen (Cashflows) während der Laufzeit des Investitionsobjektes (positives
Vorzeichen) und dem Barwert des Liquidationserlöses einer Sachinvestition am Ende der
Laufzeit des Investitionsobjektes (positives Vorzeichen).
Wir nehmen an, dass der Betrieb noch über keinerlei Personal für die Sachinvestitionen ver-
fügt und die Sachinvestitionen zur Produkterzeugung erforderlich sind.
Mengen
𝐼 ≔ {𝑖|𝑖 = 1, … , 𝐼} Menge der Produktarten
𝐽 ≔ {𝑗|𝑗 = 1, … , 𝐽} Menge der Investitionsarten
Daten
𝐶 ≔ Kapitalwert einer einzelnen Investition vom Typ 𝑗 ∈ 𝐽
𝑍 ≔ Anschaffungsauszahlung für eine einzelne Investition vom Typ 𝑗 ∈ 𝐽
𝐵 ≔ zu Beginn der Planungsperiode verfügbarer Finanzbetrag
𝑣 ≔ Absatzobergrenze der Produktart 𝑖 ∈ 𝐼
ℎ ≔ Zahl der maximal einstellbaren Arbeitskräfte der Art 𝑟 ∈ 𝑅
𝑥 ≔ Periodenkapazität einer einzelnen Investition vom Typ 𝑗 ∈ 𝐽 in Mengeneinheiten

der Produktart 𝑖 ∈ 𝐼
𝑎 ≔ Zahl der für eine einzelne Investition vom Typ 𝑗 ∈ 𝐽 und Erledigung von Tätig-
keiten der Art 𝑞 ∈ 𝑄 benötigten Arbeitskräfte
𝑧 ≔ Zahl der durchzuführenden Investitionen vom Typ 𝑗 ∈ 𝐽

Mit diesen Symbolen lautet das Planungsmodell wie folgt:
𝐶 ∙ 𝑧 → max! (Z. 17)

∈
[Lies: Maximiere den Gesamtkapitalwert aller zu realisierenden Investitionsobjekte!]
u.d.N.:
Absatzobergrenzen:
𝑥 ∙𝑧 ≤𝑣 ∀𝑖 ∈𝐼 (R. 75)
∈
[Lies: Von jeder Produktart darf nicht mehr produziert werden als auch abgesetzt werden
kann. Die Produktionsmenge hängt ab von Art und Anzahl der Sachinvestitionen.]
Finanzbudget:
𝑍 ∙𝑧 ≤𝐵 (R. 76)
∈
[Lies: Das zu Beginn der Planungsperiode verfügbare Finanzbudget darf nicht überschritten
werden.]
Abstimmung Personalbedarf und Rekrutierungspotenzial:
𝑎 ∙𝑧 ≤ ℎ ∀ 𝑄 ∈ 𝕻(𝑄)\{∅} (R. 77)

∈ ∈ r ∈ Rq
q∈Qˆ
[Lies: Gemäß implizitem Ansatz sind alle Teilpersonalbedarfe und alle möglichen Kombina-
tionen der Teilpersonalbedarfe mit den hinreichend qualifizierten und verfügbaren Arbeits-
kräften abzustimmen. Da der Betrieb annahmegemäß noch über keinerlei Personal verfügt,
hat die Abstimmung mit dem betrieblichen Rekrutierungspotenzial zu erfolgen.]
𝑧 ≥0 ∀𝑗 ∈𝐽 (R. 78)
[Lies: Keine der Variablen kann negativ werden.]
Auch dieser Ansatz ist bewusst einfach gehalten und kann in vielfältiger Weise erweitert und
variiert werden, z.B. durch die Berücksichtigung von Anlernprozessen beim Bedienpersonal
der Sachinvestitionen. Des Weiteren können vertiefende humankapitaltheoretische Überle-
gungen (vgl. Spengler 1994) und solche zur Maximierung des Vermögensendwertes ange-
stellt werden (vgl. Kossbiel 1988, S, 1133 ff.).
Aufgabe 74
Eine Brauerei erwägt aufgrund der überschrittenen optimalen Nutzungsdauern ihrer Brau-
kessel vom Typ 1 (𝑗 = 1) sowie ihrer Braukessel vom Typ 2 (𝑗 = 2), jeweils neue Maschinen
dieser Typen zu erwerben. Beide Maschinentypen werden für die Herstellung der produ-
zierten Biere der Sorte Pils (𝑘 = 1), Weizen (𝑘 = 2) und Dunkelbier (𝑘 = 3) verwendet. Die
maximalen Periodenkapazitäten 𝑎 der Maschinentypen für die Herstellung der unter-
schiedlichen Biere sind in Mengeneinheiten des jeweiligen Produkttyps in Tabelle 12.54 an-
gegeben:
Tabelle 12.54 Maximale Periodenkapazitäten der Maschinentypen
𝑘=1 𝑘=2 𝑘=3

𝑗=1 5.000 3.500 2.500
𝑗=2 20.000 8.000 20.000
Die Kapitalwerte 𝑐 je anzuschaffender Maschine des Typs 𝑗 sind bereits bestimmt worden:
𝑐 = 375.000
𝑐 = 225.000
Aufgrund langjähriger Erfahrungen weiß die Unternehmensleitung, dass pro Periode maxi-
mal 85.000 Einheiten der Biersorte Pils (𝐴 ), maximal 60.000 Einheiten der Biersorte Wei-
zen (𝐴 )und maximal 25.000 Einheiten der Biersorte Dunkelbier (𝐴 ) absetzbar sind.
Zudem hat der Vorstand in der vergangenen Sitzung maximal 2.500.000 Geldeinheiten (𝐵)
für die Investition in neue Anlagen genehmigt. Die von der Unternehmensleitung präferier-
ten Anbieter von Braukesseln bieten eine Maschine vom Typ 1 bzw. Typ 2 aktuell zu einem
Preis 𝑝 von 225.000 bzw. 165.000 Geldeinheiten an.
Der Einsatz beider Maschinentypen erfordert jeweils die zusätzliche Erledigung von vier
Aufgabenarten der Art 𝑞 (𝑞 = 1,2,3,4). Der jeweilige Personalbedarf 𝑝𝑏 jeder eingesetzten
Maschine des Typs 𝑗 ist in der folgenden Tabelle 12.55 aufgeführt:
Tabelle 12.55 Personalbedarfe pro eingesetzter Maschine
𝑗=1 𝑗=2
𝑞=1 2 1
𝑞=2 1 2
𝑞=3 4 2
𝑞=4 1 3
Die anfallenden Aufgaben können von Mitarbeitern aus vier verschiedenen Arbeitskräfteka-
tegorien 𝑟 (𝑟 = 1,2, … , 4) erledigt werden. Informationen zu den gegebenen Personalausstat-
tungen (𝑃𝐴 ), den Bereitstellungs- und Verwendungsmöglichkeiten sowie den Leistungs-
faktoren 𝛼 einer Arbeitskräftekategorie 𝑟 für die Erledigung von Aufgaben der Art 𝑞 sind
der nachfolgenden Tabelle 12.56 zu entnehmen:
Tabelle 12.56 Bereitstellungs-, Verwendungsmöglichkeiten, Leistungsfaktoren und

Personalausstattungen
𝑟=1 𝑟=2 𝑟=3 𝑟=4

𝑞=1 1 0 1,1 0,75
𝑞=2 0 1,1 0 0,95
𝑞=3 0 0,9 0,85 0
𝑞=4 0,8 0 1,1 1,2
𝑃𝐴 25 25 15 15
Aufgrund der Unbeliebtheit bestimmter Aufgaben innerhalb der Belegschaft rechnet die Un-
ternehmensleitung mit Abwesenheitsraten 𝛽 von Arbeitskräften der Art 𝑟, die für die Erle-
digung von Tätigkeiten der Art 𝑞 eingesetzt werden (vgl. Tabelle 12.57):
Tabelle 12.57 Abwesenheitsraten
𝑟=1 𝑟=2 𝑟=3 𝑟=4

𝑞=1 - - - 0,1
𝑞=2 - - - -
𝑞=3 - 0,04 0,07 -
𝑞=4 0,05 - - -
Die Unternehmensleitung möchte Einstellungen (ℎ ) und Entlassungen (𝑓 ) grundsätzlich

berücksichtigen, jedoch sollen in jeder Arbeitskräftekategorie nicht mehr als fünf Mitarbeiter
neu eingestellt (𝐻 ) bzw. entlassen (𝐹 ) werden. Wegen der verzerrten Erwartungshal-
tung potentieller Arbeitskräfte in Bezug auf die Arbeit in einer Brauerei rechnet das Unter-
nehmen jedoch damit, dass Neueingestellte den Betrieb mit einer Wahrscheinlichkeit von ℎ
unmittelbar nach Einstellung wieder verlassen (vgl. Tabelle 12.58):
Tabelle 12.58 Austrittswahrscheinlichkeit für neueingestellte Arbeitskräfte
𝑟=1 𝑟=2 𝑟=3 𝑟=4

ℎ 0,07 0,05 0,03 0,01
Formulieren Sie einen Ansatz zur simultanen Investitions- und Personalplanung! Verwen-
den Sie dabei das Kriterium der Kapitalwertmaximierung und 𝑧 sowie 𝑃𝐸 als Entschei-
dungsvariablen für die Anzahl der zu erwerbenden Maschinen 𝑗 und den Personaleinsatz
von Arbeitskräften der Art 𝑟 für Aufgaben der Art 𝑞!
12.5.4 Simultane Personal- und Organisationsplanung
Die Modellpalette im Bereich der simultanen Personal- und Organisationsplanung ist eben-
falls breit und gut bestückt (vgl. Spengler 1993, S. 51 ff.). Dies liegt nicht zunächst an der
Vielfalt organisationsplanerischer Teilprobleme, bei denen es um Fragen der Organisations-
strukturplanung und damit (auch) um solche der Abteilungsgliederung und der gradualen
Differenzierung, um Basisstellen- und Führungsstellenplanungen, um Festlegungen von
Kontrollspannen (Stichwort: Subordinationsregeln) und – um letzte Beispiele zu nennen –
um Probleme der segmentalen und funktionalen Differenzierung geht, wobei wir von rein
funktionaler (segmentaler) Differenzierung dann sprechen, wenn allen Stellen unterschied-
liche Aufgaben (dieselben Aufgabenarten) zugewiesen werden.
Stellvertretend und exemplarisch wollen wir nun ein relativ einfach gehaltenes Grundmodell
zur simultanen Personal- und Basisstellenplanung vorstellen. Dieser Ansatz ist einperiodig
und verzichtet auf sektorale und graduale Differenzierungen im Organigramm. Es werden
also nicht verschiedene Abteilungen und auch keine unterschiedlichen hierarchischen Ränge
betrachtet. Es dient der Minimierung von Stelleneinrichtungs- und Stellenbesetzungskosten.
Dazu wird entschieden wie viele Stellen, welcher Art, eingerichtet und wie diese mit Perso-
nal besetzt werden sollen. Zentrales Steuerungselement sind dabei die Variablen 𝑦 , die an-
geben, zu welchem Anteil (Prozentsatz) am Gesamtumfang von Aufgaben der Art 𝑘 ∈ 𝐾
diese Aufgaben Stellen der Art 𝑖 ∈ 𝐼 zugeordnet werden. Beträgt z.B. 𝑦 = 1 (0), dann wird
die Aufgabenart 𝑘 komplett (überhaupt nicht) der Stellenart 𝑖 übertragen. Ist 0 < 𝑦 < 1,
dann soll die Aufgabenart 𝑘 zum Teil auf Stellenart 𝑖 und zum Teil auf mindestens einer
weiteren Stellenart erledigt werden. Ob bzw. inwieweit die Aufgaben auf den vorgesehenen
Stellen tatsächlich erledigt werden, ist jedoch weniger eine Frage der Stellen- und vielmehr
eine Frage der Personalzuordnung.
Mengen
𝐾 ≔ {𝑘|𝑘 = 1, … , 𝐾} Menge der Aufgabenarten
𝐼 ≔ {𝑖|𝑖 = 1, … , 𝐼} Menge der Stellenarten
𝐼 ≔ Menge der Stellenarten 𝑖 ∈ 𝐼, auf denen Aufgaben der Art 𝑘 erledigt werden
können
𝐾 ≔ Menge der Aufgabenarten 𝑘, die auf Stellen der Art 𝑖 ∈ 𝐼 erledigt werden können
Daten
𝑃𝐾 ≔ Periodisierte Personalkosten je Arbeitskraft der Art 𝑟 ∈ 𝑅 auf einer Stelle der

Art 𝑖 ∈ 𝐼
𝑆𝐾 ≔ Periodisierte Kosten der Einrichtung und Unterhaltung von Stellen der Art 𝑖 ∈ 𝐼
𝑡 ≔ Durchschnittliche Zeit zur Erledigung einer Aufgabeneinheit der Art 𝑘 ∈ 𝐾 auf

Stellen der Art 𝑖 ∈ 𝐼
𝐴 ≔ Gesamtumfang von Aufgaben der Art 𝑘 ∈ 𝐾
𝑇 ≔ Zeit, die einer Arbeitskraft in der Periode zur Verfügung steht
𝛼 ≔ Leistungsfaktor von einer auf Stellen der Art 𝑖 ∈ 𝐼 eingesetzten Arbeitskraft

der Art 𝑟 ∈ 𝑅 (Ist-Arbeitsproduktivität/Normal-Arbeitsproduktivität)
𝑃𝐴 ≔ maximale Anzahl verfügbarer Arbeitskräfte der Art 𝑟 ∈ 𝑅
𝑃𝐸 ≔ Anzahl der auf Stellen der Art 𝑖 ∈ 𝐼 eingesetzten Arbeitskräfte der Art 𝑟 ∈ 𝑅
𝑥 ≔ Zahl der einzurichtenden Stellen der Art 𝑖 ∈ 𝐼
𝑦 ≔ Anteil am Gesamtumfang von Aufgaben der Art 𝑘 ∈ 𝐾, der Stellen der Art 𝑖 ∈ 𝐼
übertragen werden soll
Mit diesen Symbolen lautet das Planungsmodell wie folgt:
𝑃𝐾 ∙ 𝑃𝐸 + 𝑆𝐾 ∙ 𝑥 → min! (Z. 18)

∈ ∈
[Lies: Minimiere die gesamten periodisierten Stellenbesetzungs- und -einrichtungskosten!

Da Stellen i.d.R. für mehrere Perioden eingerichtet und besetzt werden, wir hier aber nur
einen einperiodigen Ansatz formulieren, werden die Stellenkosten periodisiert. Zum Zwecke
der Periodisierung empfehlen wir die Verwendung von Annuitäten (vgl. Spengler 1993, S.
103).]
u.d.N.:
Vollständigkeitsbedingungen:
𝑦 =1 ∀𝑘 ∈𝐾 (R. 79)
∈
[Lies: Jede Aufgabe muss vollständig mindestens einer Stelle zugeordnet werden.]
𝑡 ∙𝐴
∙𝑦 ≤ 𝛼 ∙ 𝑃𝐸 ∀𝑖 ∈𝐼 (R. 80)
𝑇
∈ ∈
[Lies: Gemäß des expliziten Ansatzes ist der stellenbezogene Personalbedarf mit dem Perso-
naleinsatz abzustimmen. Der stellenbezogene Personalbedarf ergibt sich jeweils durch Um-
rechnung aus den korrespondierenden tätigkeitsbezogenen Personalbedarfen. Die Höhe der
Personaleinätze kann durch Leistungsfaktoren moduliert werden, sofern diese von Eins ab-
weichen.]
Abstimmung Personaleinsatz und Stellenausstattung:
𝑃𝐸 ≤ 𝑥 ∀𝑖 ∈𝐼 (R. 81)
∈
[Lies: Es müssen mindestens so viele Stellen eingerichtet werden, wie besetzt werden sollen.]
𝑃𝐸 ≤ 𝑃𝐴 ∀𝑟 ∈𝑅 (R. 82)
∈
[Lies: Gemäß explizitem Ansatz müssen je Arbeitskräftekategorie 𝑟 ∈ 𝑅 mindestens so viele

Arbeitskräfte bereitgestellt werden, wie eingesetzt werden sollen.]
Obergrenzen für die Personalausstattung:
𝑃𝐴 ≤ 𝑃𝐴 ∀𝑟 ∈𝑅 (R. 83)
[Lies: Es können nicht mehr Arbeitskräfte bereitgestellt werden als maximal (am Markt) ver-
fügbar sind.]
Allgemeine Stellenbedingungen:
𝑥 ∈ℕ ∀𝑖 ∈𝐼 (R. 84)
[Lies: Die Stellenzahl je Stellentyp 𝑖 ∈ 𝐼 ist nicht-negativ und ganzzahlig. Weitere Stellenrest-
riktionen, wie z.B. Stellenausschluss- oder Parallelstellenbedingungen werden hier nicht ge-
fordert.]
Differenzierungsbedingungen:
𝑦 ≥0 ∀ 𝑖 ∈ 𝐼, 𝑘 ∈ 𝐾 (R. 85)
[Lies: Es bleibt offen, ob rein segmentale oder rein funktionale Differenzierung oder eine
Mischform gewählt werden soll.]
(Weitere) Nichtnegativitätsbedingungen:
𝑃𝐸 , 𝑃𝐴 ≥ 0 ∀ relevanten 𝑖 ∈ 𝐼, 𝑟 ∈ 𝑅 (R. 86)
[Lies: Keine der 𝑃𝐸- und der 𝑃𝐴-Variablen kann negativ werden.]
Auch dieser Ansatz kann in vielfältiger Weise erweitert und variiert werden, nicht zuletzt
durch die Formulierung von Aufgabenvielfalts-, Aufgabenverträglichkeits- oder Stellenaus-
schlussbedingungen.
Aufgabe 75
Aufgrund eines Wechsels in der Geschäftsführung sollen nach und nach die Stellenstruktu-
ren der einzelnen Abteilungen einer Bank überprüft und ggf. optimiert werden. Als Pilot-
projekt wird das Personalmanagement der Bank damit beauftragt, die Stellenstruktur und -
besetzung der Abteilung Risikomanagement zu analysieren.
In einem ersten Schritt hat das Personalmanagement bereits eine umfassende Aufgabenana-
lyse durchgeführt und sieben Aufgabenarten 𝑘 (𝑘 = 1, 2, … , 7) der Abteilung identifiziert.
Diese sind vollständig innerhalb des Risikomanagements zu bearbeiten und können auf vier
verschiedene Stellenarten 𝑖 (𝑖 = 1, 2, 3, 4) verteilt werden. Weiterhin ergab die Analyse die
Standardzeitbedarfe 𝑡 für die Erledigung von Aufgaben der Art 𝑘 auf Stelle 𝑖 sowie deren
durchschnittlichen Umfang pro Woche 𝐴 (vgl. Tabelle 12.59):
Tabelle 12.59 Standardzeitbedarfe und durchschnittlicher Aufgabenumfang je Woche
durchschnittlicher
𝑖=1 𝑖=2 𝑖=3 𝑖=4 Aufgabenumfang
pro Woche
𝑘=1 0,2 - 0,3 - 1.000
𝑘=2 0,5 0,9 0,7 0,6 1.750

𝑘=3 - 1,2 0,9 1 1.200
𝑘=4 - - - 0,2 500
𝑘=5 - 2 - 1,5 850
𝑘=6 0,1 - - - 620
𝑘=7 0,4 - - 0,6 920
Die Abteilung Risikomanagement verfügt über Arbeitskräfte der Arten 𝑟 (𝑟 = 1, 2, 3, 4), wel-
che für die entsprechenden Aufgabenerledigungen verwendet werden können. Das Perso-
nalmanagement hat während der Aufgabenanalyse ermitteln können, dass Aufgaben der Art
𝑘 von Arbeitskräften der Art 𝑟 gemäß dem folgenden Tableau (vgl. Tabelle 12.60) erledigt
werden können. Zusätzlich wird die maximale Anzahl bereitstellbarer Arbeitskräfte der Art
𝑟 (𝑃𝐴 ) durch die Geschäftsführung vorgegeben.
Tabelle 12.60 Zuordnung der Erledigung von Aufgaben- durch Arbeitskräftearten so-
wie die maximale Anzahl bereitstellbarer Arbeitskräfte
𝑟=1 𝑟=2 𝑟=3 𝑟=4

𝑘=1 × × × -
𝑘=2 × × × ×
𝑘=3 × × × ×
𝑘=4 - - × ×
𝑘=5 - × × ×
𝑘=6 × - × -
𝑘=7 × - × ×
𝑃𝐴 10 15 8 7
Alle Arbeitskräfte dieser Abteilung arbeiten laut Arbeitsvertrag wöchentlich 40 Stunden (𝑇)
und werden in Abhängigkeit ihrer Art und der Stelle, auf der sie eingesetzt werden, mit 𝑃𝐾
Geldeinheiten entlohnt. Für die Umstrukturierungen fallen zusätzlich je Stelle der Art 𝑖 Kos-
ten in Höhe von 𝑆𝐾 an.
Die Geschäftsführung hat den Spielraum für das Personalmanagement zur Neustrukturie-
rung der Stellen zudem insofern eingegrenzt, als dass Obergrenzen für die Anzahl einzurich-
tender Stellen der Art 𝑖 festgesetzt wurden (vgl. Tabelle 12.61):
Tabelle 12.61 Obergrenzen für Stellenarten
𝑖=1 𝑖=2 𝑖=3 𝑖=4

Obergrenze für die Einrichtung
7 10 11 14
von Parallelstellen der Art 𝑖
a. Erstellen Sie zunächst ein Tableau für die möglichen Zuordnungen von Arbeitskräften
der Art 𝑟 zu Stellen der Art 𝑖!
b. Formulieren Sie einen vollständigen linearen Planungsansatz für das oben beschriebene
Problem der simultanen Personal- und Stellenplanung! Verwenden Sie dabei 𝑥 , 𝑦 und
𝑃𝐸 als Entscheidungsvariablen für die Anzahl der einzurichtenden Stellen der Art 𝑖,
die Anteile am Gesamtumfang der auf Stellen der Art 𝑖 zu übertragenden Aufgaben 𝑘
und die Personaleinsätze von Arbeitskräften der Art 𝑟 auf Stellen der Art 𝑖!
Teil 3
Spezielle Anwendungsfelder der
Personalplanung
Überblick 211
13 Nachhaltige Personalplanung
13.1 Überblick
Aufgrund dessen, dass Nachhaltigkeitsaspekte durch gesellschaftlichen Druck und entspre-
chende Gesetze und Pflichten stetig an Bedeutung gewinnen, sind auch Unternehmen dazu
gehalten, Nachhaltigkeit in ihre Entscheidungsfindung einzubeziehen. Dies ist zwar auch in
der zunehmenden Anzahl an gesetzlichen Vorschriften begründet – das Corporate Social
Responsibility-Richtlinie-Umsetzungsgesetz (CSR-RUG) regelt in Deutschland bspw. seit
April 2017, welche Unternehmen in welchem Umfang Nachhaltigkeitsberichte erstellen müs-
sen – jedoch kann nachhaltiges Handeln auch aus unternehmerischer Sicht Vorteile generie-
ren. Wir wollen deshalb in diesem Kapitel zunächst auf den Begriff der Nachhaltigkeit sowie
deren Auswirkungen auf personalwirtschaftliches Handeln im Allgemeinen eingehen, um
anschließend einen Personalplanungsansatz unter der Berücksichtigung nachhaltiger Ziele
zu konstruieren.
Das Schrifttum zum Thema Nachhaltigkeit beschränkt sich oftmals ausschließlich auf ökolo-
gische Aspekte. Die ökologischen Auswirkungen menschlichen Handelns sind zwar in der
Tat ein wichtiger Teil von Nachhaltigkeitsüberlegungen, sie sind aus wissenschaftlicher Sicht
allerdings nicht exklusiv zu untersuchen. Wir wollen uns daher zunächst etwas detaillierter
mit dem Begriff der Nachhaltigkeit beschäftigen.
Unter Nachhalt versteht man etwas, „woran man sich hält, wenn alles andere nicht mehr
hält“ (Campe 1809, S.403) und als nachhaltig bezeichnen wir Dinge, die „auf längere Zeit
anhaltend und wirkend“ ausgelegt sind (Grimm/Grimm 1889, Sp. 69-71). Die Vereinten Na-
tionen definieren nachhaltige Entwicklungen im sog. Brundlandt-Bericht der Weltkommis-
sion für Umwelt und Entwicklung als „[…] eine Entwicklung, die die Bedürfnisse der Ge-
genwart befriedigt, ohne zu riskieren, dass künftige Generationen ihre eigenen Bedürfnisse
nicht befriedigen können“ (Vereinte Nationen 1987, S.16 [Nr.27] i.V.m. BMZ [online]). Im
Zuge nachhaltigen Handelns geht es dann stets um die Verfolgung von ökologischen, sozia-
len und ökonomischen Zielen (vgl. Corsten/Roth 2012, S. 1). Ökologisch bedeutet „die natür-
liche Umwelt des Menschen betreffend“ bzw. auch „sich für ihren Schutz, ihre Erhaltung
einsetzend“ (Duden online (a), Stichwort: ökologisch). Dementsprechend sind ökologische
Ziele solche, deren Realisation dem Schutz und der Erhaltung unserer Umwelt dient. Die
Umsetzung sozialer Ziele dient „dem Gemeinwohl“ bzw. „der Allgemeinheit“ und somit
dem Schutz der „[wirtschaftlich] Schwächeren“ (Duden online (b), Stichwort: sozial). Und
ökonomische Ziele, wie wir in diesem Buch bereits mehrfach betont haben, basieren auf dem
ökonomischen Prinzip und betreffen die Nutzen- bzw. die Gewinnmaximierung. Aufgrund
dessen, dass wir aus betriebswirtschaftlicher Sicht stets Rationalität unserer Handlungen
bzw. Entscheidungen anstreben, ist auch im Hinblick auf nachhaltiges Handeln zu klären,
ob dieses zweckrational (Orientierung an Handlungszweck, -mitteln und -folgen) oder wert-
rational (Vernachlässigung der Handlungsfolgen und Fokussierung des sog. Eigenwerts der
https://doi.org/10.1007/978-3-658-25935-8_13
Handlung) betrachtet werden soll. Zudem ist aus materiellen Rationalitätsüberlegungen her-
aus festzulegen, ob neben den sozialen, ökologischen und ökonomischen weitere Legitima-
tionsbasen der Handlungen bzw. Entscheidungen, wie bspw. die technische Machbarkeit o-
der die rechtliche Zulässigkeit, berücksichtigt werden sollen. Abschließend muss sich ein
Entscheider diesbezüglich folgende Fragen stellen:
1. Sind die Beziehungen zwischen den Zielen konfliktär, komplementär oder neutral?
2. Wie sollen die ökonomischen, ökologischen und sozialen Ziele im Entscheidungs-
kontext methodisch umgesetzt werden? Soll ein Einzielmodell (mit nur einer Ziel-
funktion) oder ein Mehrzielmodell (mit mehreren Zielfunktionen) formuliert wer-
den? Sollen Teile der Ziele als Fixierungs-, Satisfizierungs- und/oder Approximie-
rungsziele im Restriktionenraum berücksichtigt werden?
Die ökologische, soziale und ökonomische Dimension der Nachhaltigkeit sowie deren Inter-
dependenzen werden oft im Drei-Säulen-Modell (Abbildung 13.1) oder als „Magisches Drei-
eck“ bzw. Nachhaltigkeitsdreieck (Abbildung 13.2) dargestellt. Nach dem Drei-Säulen-Mo-
dell sollen bei (betrieblichen) Entscheidungen simultan und (sofern möglich) gleichgewichtet
Ziele aller drei Dimensionen berücksichtigt und realisiert werden. Die zentrale Aussage die-
ses Konzepts ist dabei die Realisation von „Umwelt- und Sozialverträglichkeit bei wirtschaft-
lichem Erfolg“ (Corsten/Roth 2012, S. 1).
Abbildung 13.1 Dimensionen der Nachhaltigkeit im Drei-Säulen-Modell
Nachhaltigkeit
öko- öko- soziale

nomische logische
Quelle: Darstellung in Anlehnung an Corsten/Roth 2012, S. 2)
Das Nachhaltigkeitsdreieck (Abbildung 13.2) stellt hingegen verstärkt die meist konfliktären
Zusammenhänge der drei Dimensionen in den Vordergrund. Dies ist darin begründet, dass
die Optimierung einer der drei i.d.R. nicht zur Optimierung (zumindest einer) der anderen
Zieldimensionen führt. So wird durch die isolierte Gewinnmaximierung in vielen Fällen
Auswirkungen von Nachhaltigkeitsüberlegungen auf die betriebliche Personalplanung 213
nicht die umweltfreundlichste Produktion realisiert, z.B. wenn Strom aus fossilen Energie-
trägern kostengünstiger als solcher aus erneuerbaren Energien ist. Wir werden im folgenden
Abschnitt auf die Arten von Zielkonflikten, entsprechende Beispiele sowie deren Auswir-
kungen auf betriebswirtschaftliche Entscheidungen im Allgemeinen und personalplaneri-
sche im Speziellen vertiefend eingehen.
Abbildung 13.2 Dimensionen der Nachhaltigkeit im Nachhaltigkeitsdreieck
sozial
ökonomisch ökologisch
13.2 Auswirkungen von

Nachhaltigkeitsüberlegungen auf die
betriebliche Personalplanung
Grundsätzlich können Unternehmen ihre Entscheidungen auf Basis der isolierten, der teil-
weise oder der vollständig integrierten Betrachtung der ökologischen, sozialen und ökono-
mischen Dimension treffen. Die Isolation bzw. die (partielle) Integration dieser Ziele be-
schränkt sich jedoch auf deren Berücksichtigung als Extremierungsziele in der Zielfunktion.
Dies liegt darin begründet, dass ein Unternehmen per Definition stets ökonomische Ziele
verfolgt, als Teil der Gesellschaft niemals vollständig auf die Einhaltung sozialer Normen
verzichten kann und (zumindest aus Existenzgründen) nicht daran interessiert sein kann,
seine ökologische Umwelt zu zerstören. Dementsprechend sind sowohl in der isolierten als
auch in der (partiell) integrierten Betrachtung der Nachhaltigkeitsdimensionen alle drei zu-
mindest als Mindestmaß der Zielerreichung in den Restriktionen (bspw. als Unter- oder
Obergrenzen) zu berücksichtigen. Stellt man diese Zusammenhänge als Venn-Diagramm mit
entsprechenden Schnitten der (Zielfunktions-) Dimensionen dar (vgl. Mayer 2017, S. 7 und
S. 25), ergibt sich das in Abbildung 13.3 visualisierte Bild mit sieben verschiedenen Kombi-
nationsfällen.
Abbildung 13.3 Venn-Diagramm der Nachhaltigkeit
𝐼
sozial
𝐼𝑉 𝑉
𝑉𝐼𝐼
𝐼𝐼𝐼 𝐼𝐼
𝑉𝐼
Quelle: Darstellung in Anlehnung an Mayer 2017, S. 25.
In den Fällen 𝐼, 𝐼𝐼 bzw. 𝐼𝐼𝐼 sind dann in der Zielfunktion ausschließlich soziale, ökologische
bzw. ökonomische, in Fall 𝐼𝑉 sowohl soziale als auch ökonomische, in Fall 𝑉 soziale und
ökologische, in Fall 𝑉𝐼 ökologische sowie ökonomische und in Fall 𝑉𝐼𝐼 Ziele aller drei Dimen-
sionen zu verfolgen. In den vorherigen Kapiteln beschäftigen wir uns fast ausschließlich mit
Fall 𝐼𝐼𝐼 bzw. teilweise mit Fall 𝐼𝑉 (s. Kap. 6.1). An dieser Stelle wollen wir nun zusätzlich
relativ kurz die Fälle 𝐼, 𝐼𝐼 und 𝐼𝑉- 𝑉𝐼 thematisieren, um uns darauf aufbauend intensiv mit
nachhaltigen betriebswirtschaftlichen Entscheidungen im Bereich der Personalplanung zu
beschäftigen.
Zu 𝐼: Verfolgt ein Unternehmen beim Treffen bestimmter Entscheidungen ausschließlich so-

ziale Extremierungsziele, so kann sich dies bspw. darin äußern, dass das Unternehmen auf
für alle Beteiligten faire Geschäftspraktiken zugreifen möchte, durch Spenden oder Sponso-
ring soziale, öffentliche oder gemeinnützige Organisationen fördert oder durch die Berück-
sichtigung bzw. Förderung von Diversität, Gleichberechtigung und Geschlechtergerechtig-
keit bzw. Familienfreundlichkeit und der sog. Work-Life-Balance eine mitarbeiterorientierte
Personalpolitik betreibt. In diesem Fall könnten ökonomische bzw. ökologische Ziele in den
Restriktionen bspw. über die Einhaltung einer Budgetrestriktion bzw. den Ausschluss von
Spenden an „nicht umweltfreundliche“ Organisationen berücksichtigt werden.
Zu 𝐼𝐼: Wird im Rahmen betrieblicher Entscheidungen hingegen exklusiv die ökologische Di-
mension in der Zielfunktion berücksichtigt, ist damit bspw. ein verantwortungsvoller Um-
gang mit natürlichen Ressourcen (z.B. durch Minimierung von Papier- und Wasserver-
brauch), die Förderung des Umwelt- und Klimaschutzes durch Emissionsreduktionen, den
Einsatz erneuerbarer Energien und ökologisch einwandfreier Rohstoffe in der Produktion
oder die Förderung der Nutzung öffentlicher Verkehrsmittel durch die eigenen Mitarbeiter
Auswirkungen von Nachhaltigkeitsüberlegungen auf die betriebliche Personalplanung 215
verbunden. In den Nebenbedingungen könnte jedoch gefordert werden, dass bspw. trotz
Emissionsreduktionen eine gewisse Mindestproduktionsmenge erreicht werden muss oder
dass trotz der Förderung der öffentlichen Verkehrsmittelnutzung eine hinreichende Anzahl
an Parkplätzen vorgehalten wird.
Zu 𝐼𝑉- 𝑉𝐼: Die integrierte Betrachtung von zwei der drei Zieldimensionen beinhaltet die Ver-
knüpfung der oben exemplarisch dargestellten Fälle. Diesbezüglich kann es dann zu Ziel-
komplementarität, wie bspw. bei der Schaffung einer angenehmen Atmosphäre am Arbeits-
platz in Form eines Parks auf dem Unternehmensgelände (Fall 𝑉), oder zu Zielkonflikt, wie
z.B. bei der Minimierung der Produktionskosten durch Verwendung umweltabträglichen
Kohlestroms (Fall 𝑉𝐼), kommen.
Die Integration von Nachhaltigkeitsüberlegungen und die damit verbundene Verfolgung

von ökologischen, sozialen und ökonomischen Zielen (Fall 𝑉𝐼𝐼) wird i.d.R. zu letzterem füh-
ren. Dies liegt darin begründet, dass die Realisation sozialer und ökologischer Motive oft
Aufwendungen erfordern, welche aus ökonomischer Sicht keinen zusätzlichen Ertrag gene-
rieren, und somit nach dem ökonomischen Prinzip bei gleichbleibendem Output und stei-
gendem Input nicht wirtschaftlich sind. Die Extremierung einzelner geht dementsprechend
nicht mit der aller in Ansatz gebrachten Zielgrößen einher und es entsteht ein Mehrziel- oder
Vektor-Optimierungsproblem (s. Kap. 6). Der Entscheider ist dann wiederum auf der Suche
nach einer geeigneten Kompromisslösung des Problems.
Wir betrachten vor diesem Hintergrund nochmals das Nachhaltigkeitsdreieck (Abbildung

13.2) und erweitern dieses um auf das baryzentrische Dreieck (s. S. 98 f.) bezogene Überle-
gungen, wodurch es uns gelingt, den Raum geeigneter Kompromisslösungen nachhaltiger
betriebswirtschaftlicher Entscheidungen einzugrenzen (vgl. Abbildung 13.4).
Abbildung 13.4 Baryzentrisches Dreieck der Nachhaltigkeit
sozial
(𝑍𝐸, 0,0)
(0, 𝑍𝐸, 0) (0,0, 𝑍𝐸)

Wir bezeichnen dabei die maximal mögliche Zielerreichung einer Zieldimension mit 𝑍𝐸. Die
Zielerreichungsgrade ökologischer, sozialer und ökonomischer Ziele liegen dementspre-
chend im Intervall 0, 𝑍𝐸 . Zudem gehen wir von additiven Zielerreichungsgraden der drei
Zieldimensionen aus. Die Untergrenzen der Zielerreichungsgrade in ökologischer, sozialer
und ökonomischer Hinsicht können als vom Unternehmen ausgegebene und gewünschte
Mindestgrößen und die entsprechenden Obergrenzen als durch die Restriktionen der Prob-
lemstellung gegebene Maximalausprägungen verstanden werden. Der Raum zulässiger
Kompromisslösungen ergibt sich dann wiederum als Polyeder im baryzentrischen Dreieck
(vgl. graues Dreieck in Abbildung 13.4).
Wenn der Entscheider die hier verwendete Summennormierungsvorschrift als zu restriktiv

einschätzt, könnte er die Situation ceteris paribus auch in Würfelform konstruieren (vgl. Ab-
bildung 13.5). Die Summe der Zielerreichungsgrade muss dann in der optimalen Kompro-
misslösung nicht zwangsläufig 𝑍𝐸 betragen, sondern kann auch geringere oder größere
Werte (bis maximal 3 ∙ 𝑍𝐸) annehmen.
Abbildung 13.5 Nachhaltigkeitswürfel
𝑍𝐸, 𝑍𝐸, 𝑍𝐸
0, 𝑍𝐸, 0
ökonomisch
𝑍𝐸, 0,0
ökologisch 0,0, 𝑍𝐸
Möchten Unternehmen ihre betriebliche Personalplanung nachhaltig gestalten, so rücken

personalplanerische Sachziele in den Fokus der ökonomischen Zieldimension. Dementspre-
chend sind dann in oberster Instanz, unter der Maxime der Gewinnmaximierung sowie der
Extremierung sozialer und ökologischer Ziele, Entscheidungen zur Herstellung und Siche-
rung der Verfügbarkeit über Personal zu treffen. Zu diesem Zweck sind, je nach Art der zu-
grundeliegenden Entscheidungssituation, Modelle der reinen Personaleinsatz-, der reinen
Personalbereitstellungs-, der reinen Personalverwendungs- oder der simultanen Personal-
planung um soziale und ökologische Ziele zu erweitern, welche wiederum als Extremie-
rungs-, Satisfizierungs-, Fixierungs- und/oder Approximierungsziele in Ansatz gebracht
Ein Modell zur nachhaltigen Personalplanung 217
werden können.
Wir wollen unsere Überlegungen zur Nachhaltigkeit in der Betriebswirtschaft mit dem Hin-
weis abschließen, dass das unternehmensseitige Verantwortungsbewusstsein, nachhaltig zu
handeln, im modernen Sprachgebrauch auch als „Corporate Social Responsibility“ bezeich-
net wird. Mayer definiert diese wie folgt: „Corporate (Social) Responsibility spiegelt das Ver-
antwortungsbewusstsein eines Unternehmens, wo immer seine Geschäftstätigkeit Auswir-
kungen auf die Gesellschaft, die Belegschaft, die Umwelt und das wirtschaftliche Umfeld hat,
wider.“ (Mayer 2017, S. 20).
Im folgenden Abschnitt präsentieren wir exemplarisch eine mögliche Modellformulierung

zur nachhaltigen Personalplanung.
13.3 Ein Modell zur nachhaltigen Personalplanung

Die Integration von Nachhaltigkeitsüberlegungen in die betriebliche Personalplanung for-
mulieren wir im Folgenden als Vektoroptimierungsmodell mit drei Zielfunktionen, die die
Extremierung (a) ökologischer, (b) sozialer und (c) ökonomischer Ziele beinhalten.
Zu (a): Eine ökologisch orientierte Zielfunktion könnte bspw. darauf abzielen, die Summe
der CO -Emissionen der betrieblichen Produktion zu minimieren, die Summe der verwende-
ten nachhaltigen Rohstoffe oder die Summe des verbrauchten Stroms aus erneuerbaren Ener-
gien zu maximieren.
Zu (b): Eine sozial orientierte Zielfunktion hingegen könnte bspw. die Maximierung der Mit-
arbeiteranzahl in der Stammbelegschaft eines Unternehmens, die Maximierung der Anzahl
weiblicher Personen in der Personalausstattung oder die Minimierung der Entlassungen von
Arbeitskräften zum Gegenstand haben.
Zu (c): Eine ökonomische Zielfunktion kann wiederum die Extremierung ökonomischer

Kennzahlen, wie die Minimierung von Personalkosten oder die Maximierung von Verkaufs-
erlösen, beinhalten.
Das im Folgenden konstruierte Modell basiert auf der Annahme, dass der Personalbedarf,
die -ausstattung und der -einsatz jeweils Entscheidungsvariable darstellen. Das betriebliche
Leistungsprogramm wird in diesem Ansatz insofern festgelegt, als dass aus einer Menge be-
kannter und grundsätzlich durchführbarer Prozessarten 𝑘 ∈ 𝐾 die Art und Häufigkeit der
tatsächlich durchzuführenden Prozesse (𝑥 ) auszuwählen ist. Für die Ausführung eines Pro-
zessdurchlaufs fallen abhängig vom jeweiligen Prozess 𝑘 verschiedene Tätigkeitsarten 𝑞 ∈ 𝑄
an, welche wiederum Personal- (𝑎 ) und Maschinenbedarfe (𝑐 ) je einmaliger Erledigung
des Prozesses auslösen. Grundsätzlich können diesbezüglich drei Gesamtbedarfsfälle be-
rücksichtigt werden:
a) Die einmalige Erledigung von Prozess 𝑘 löst ausschließlich Personalbedarfe aus

(𝑎 > 0, 𝑐 = 0).
b) Die einmalige Erledigung von Prozess 𝑘 löst ausschließlich Maschinenbedarfe aus

(𝑎 = 0, 𝑐 > 0).
c) Die einmalige Erledigung von Prozess 𝑘 löst sowohl Personal- als auch Maschinenbe-
darfe aus (𝑎 > 0, 𝑐 > 0).
Zur Deckung anfallender Personal- bzw. Maschinenbedarfe können Arbeitskräfte der Art
𝑟 ∈ 𝑅 bzw. Maschinen der Art 𝑚 ∈ 𝑀 bereitgestellt werden. Die mit den Arbeitskräften kor-
respondierenden Personalausstattungen 𝑃𝐴 werden des Weiteren nach der Art ihres Be-
schäftigungsstatus 𝑏 ∈ 𝐵 (bspw. in Vollzeit/Teilzeit oder befristet/unbefristet) differenziert.
Die Maschinenausstattungen 𝑀𝐴 sind ausschließlich durch die Maschinenart determiniert.
Die Personal- bzw. Maschineneinsätze für die Erledigung der anfallenden Tätigkeiten der
Art 𝑞 werden dementsprechend mit 𝑃𝐸 bzw. 𝑀𝐸 symbolisiert.
Die Extremierungsziele des Modells seien die Minimierung der mit den Maschineneinsätzen
verbundenen Gesamtemission von CO , die Maximierung der Mitarbeiterzahl in der Stamm-
belegschaft sowie die Maximierung des Produktionsgewinns. Dabei ist sicherzustellen, dass
vorgegebene Obergrenzen der Prozessdurchführungen nicht überschritten werden, nicht
mehr Personal bzw. Maschinen eingesetzt werden, als in den jeweiligen Ausstattungen vor-
handen sind und die Personal- sowie die Maschinenbedarfe jeweils exakt durch entspre-
chende Einsätze gedeckt werden.
Mengen
𝐵 ≔ {𝑏|𝑏 = 1,2, … , 𝐵} Menge der Beschäftigungsstatus
𝐾 ≔ {𝑘|𝑘 = 1,2, … , 𝐾} Menge der Prozessarten
𝑀 ≔ {𝑚|𝑚 = 1,2, … , 𝑀} Menge der Maschinenarten
𝑄 ≔ {𝑞|𝑞 = 1,2, … , 𝑄} Menge der Tätigkeitsarten
𝑅 ≔ {𝑟|𝑟 = 1,2, … , 𝑅} Menge der Arbeitskräftearten
𝐵 ≔ Menge der Beschäftigungsstatus 𝑏, nach denen Arbeitskräfte der Art 𝑟 beschäftigt

werden können
𝐵 ≔ Menge der Beschäftigungsstatus 𝑏, die der Stammbelegschaft des Unternehmens

zugeordnet werden können
𝑀 ≔ Menge der Maschinenarten 𝑚, die zur Erledigung von Tätigkeiten der Art 𝑞 bereit-
gestellt werden können
𝑅 ≔ Menge der Arbeitskräftearten 𝑟, die im Beschäftigungsstatus 𝑏 beschäftigt werden

können
𝑅 ≔ Menge der Arbeitskräftearten 𝑟, die zur Erledigung von Tätigkeiten der Art 𝑞 be-
reitgestellt werden können
𝑄 ≔ Menge der Tätigkeiten der Art 𝑞, die bei der Durchführung von Prozessen der Art
𝑘 anfallen
𝑄 ≔ Menge der Tätigkeiten der Art 𝑞, für die Maschinen der Art 𝑚 verwendet werden
können
𝑄 ≔ Menge der Tätigkeiten der Art 𝑞, für die Arbeitskräfte der Art 𝑟 verwendet werden
können
Daten
𝑎 ≔ Personalbedarf für die Erledigung von Tätigkeiten der Art 𝑞 bei einmaliger Erle-
digung von Prozessen der Art 𝑘
𝐵𝐾 ≔ Betriebskostensatz einer Maschine der Art 𝑚
𝑐 ≔ Maschinenbedarf für die Erledigung von Tätigkeiten der Art 𝑞 bei einmaliger Er-
ledigung von Prozessen der Art 𝑘
𝑒 ≔ CO2-Emission einer Maschine der Art 𝑚 bei Erledigung von Tätigkeiten der Art 𝑞
𝐺𝐾 ≔ Gehaltskostensatz einer Arbeitskraft der Art 𝑟, die im Beschäftigungsstatus 𝑏 be-

schäftigt wird
𝑈 ≔ Umsatz, der mit einmaliger Durchführung eines Prozesses der Art 𝑘 verbunden
ist
𝑋 ≔ maximal zulässige Anzahl der Durchführungen des Prozesses 𝑘
𝑀𝐴 ≔ Ausstattung mit Maschinen der Art 𝑚
𝑀𝐸 ≔ Einsatz von Maschinen der Art 𝑚 zur Erledigung von Tätigkeiten der Art 𝑞
𝑃𝐴 ≔ Ausstattung mit Arbeitskräften der Art 𝑟, die im Beschäftigungsstatus 𝑏 beschäf-

tigt werden
𝑃𝐸 ≔ Einsatz von Arbeitskräften der Art 𝑟, die im Beschäftigungsstatus 𝑏 beschäftigt

werden und Tätigkeiten der Art 𝑞 erledigen
𝑥 ≔ Anzahl der Durchführungen von Prozessen der Art 𝑘

Damit lautet das zu formulierende Modell wie folgt:
Ökologische Zielfunktion:
𝑒 ∙ 𝑀𝐸 → min! (ZNH. 1)
∈
[Lies: Minimiere die Summe der aufgrund von Maschineneinsätzen entstehenden CO2-Emis-
sionen!]
Soziale Zielfunktion:
𝑃𝐴 → max! (ZNH. 2)
∈ ∈
[Lies: Maximiere die Summe der Mitarbeiter in der Stammbelegschaft des Unternehmens!]
Ökonomische Zielfunktion:
𝑈 ∙𝑥 − 𝐺𝐾 ∙ 𝑃𝐴 − 𝐵𝐾 ∙ 𝑀𝐴 → max! (ZNH. 3)
∈
[Lies: Maximiere den Produktionsgewinn!]
u.d.N.:
Obergrenzen für die Prozessdurchführungen
𝑥 ≤𝑋 ∀𝑘 ∈𝐾 (NH. 1)
[Lies: Die Anzahl der durchzuführenden Prozesse der Art 𝑘 darf eine zuvor festgelegte Ma-
ximalanzahl nicht überschreiten.]
𝑎 ∙𝑥 = 𝑃𝐸 ∀𝑞 ∈𝑄 (NH. 2)
∈ ∈
[Lies: Die von Art und Anzahl der durchgeführten Prozesse abhängigen, tätigkeitsbezogenen
Personalbedarfe sind exakt durch den Einsatz hinreichend qualifizierter Arbeitskräfte zu de-
cken.]
Abstimmung Maschinenbedarf und Maschineneinsatz:
𝑐 ∙𝑥 = 𝑀𝐸 ∀𝑞 ∈ 𝑄 (NH. 3)
∈
[Lies: Die von Art und Anzahl der durchgeführten Prozesse abhängigen, tätigkeitsbezogenen
Maschinenbedarfe sind exakt durch den Einsatz dafür verwendbarer Maschinen zu decken.]
𝑃𝐸 ≤ 𝑃𝐴 ∀ 𝑟 ∈ 𝑅, 𝑏 ∈ 𝐵 (NH. 4)
∈
[Lies: Die Anzahl der im Leistungsprozess eingesetzten Arbeitskräfte darf die entspre-
chende, nach Arbeitskräfte- und Belegschaftsarten differenzierte Personalausstattung nicht
überschreiten.]
Abstimmung Maschineneinsatz und Maschinenausstattung:
𝑀𝐸 ≤ 𝑀𝐴 ∀𝑚 ∈ 𝑀 (NH. 5)
∈
[Lies: Die Anzahl der im Leistungsprozess eingesetzten Maschinen darf die entsprechende,
nach Maschinenarten differenzierte Maschinenausstattung nicht überschreiten.]
𝑀𝐸 , 𝑀𝐴 , 𝑃𝐸 , 𝑃𝐴 , 𝑥 ≥ 0 ∀ relevanten 𝑏 ∈ 𝐵, 𝑘 ∈ 𝐾, 𝑚 ∈ 𝑀, 𝑟 ∈ 𝑅, 𝑞 ∈ 𝑄 (NH. 6)
[Lies: Keine der aufgeführten Entscheidungsvariablen darf negativ werden.]
Zur Lösung des oben formulierten Modells ist dann bspw. nach Maßgabe des in Kap. 10.2.2
vorgestellten Verfahrens ein Kompromissmodell aufzustellen.
Basierend auf diesem Grundmodell zur nachhaltigen Personalplanung existieren zudem

vielfältige Erweiterungspotenziale. Wir wollen zum Abschluss dieses Kapitels eine Auswahl
dieser Möglichkeiten skizzieren:
Es ist bspw. denkbar, Unter- und/oder Obergrenzen, wie eine minimal zulässige Anzahl an
Arbeitskräften in der Stammbelegschaft (𝑃𝐴 ) oder eine maximal zulässige Summe an CO -
Emissionen (𝐸 ), zu integrieren:
𝑃𝐴 ≥ 𝑃𝐴 (NH. 7)
∈ ∈
𝑒 ∙ 𝑀𝐸 ≤𝐸 (NH. 8)
∈ ∈
Zudem ist die Berücksichtigung anderer bzw. weiterer Differenzierungsmerkmale der Per-
sonalausstattungen, wie bspw. Geschlecht oder Alterskohorten, möglich (s. dazu auch Kap.
15):
𝐺 ≔ {𝑔|𝑔 = 𝑤, ℎ} Menge der Geschlechter, mit 𝑤 ≔ weiblich und ℎ ≔ männlich
𝐷 ≔ {𝑑|𝑑 = 1, … , 𝐷} Menge der Alterskohorten
Optimiert man das vorliegende Modell über mehrere Teilperioden (mit 𝑇 ≔ {𝑡|𝑡 = 1,2, … , 𝑇}
als Menge der Teilperioden), dann können des Weiteren Personalausstattungs- und Maschi-
nenausstattungsfortschreibungen unter Berücksichtigung von Einstellungen/Entlassungen
bzw. Anschaffungen/Veräußerungen, Schulungen bzw. Umrüstungen sowie damit verbun-
denen Kosten bzw. Erlösen in Ansatz gebracht werden. Vor dem Hintergrund der Schu-
lungsmöglichkeiten von Arbeitskräften kann dann auch das explizite Ziel der verstärkten
Förderung weiblicher Arbeitskräfte berücksichtigt werden. Seien
∗
𝑅 ≔ {𝑟 ∗ |𝑟 ∗ = 2, … , 𝑅 ∗ } Menge der Zielqualifikationen
𝑅 ∗ ≔ Menge der Zielqualifikationen 𝑟 ∗ , die von der Basisqualifikation 𝑟 erreicht werden

können
𝑃𝐸(𝑆) , , ∗, , ≔ Anzahl der weiblichen Arbeitskräfte der Art 𝑟, die nach Beschäftigungs-
status 𝑏 beschäftigt sind und in Teilperiode 𝑡 eine Schulung zur Zielqua-
lifikation 𝑟 ∗ begonnen haben
dann lautet eine entsprechende Zielfunktion z.B.:
𝑃𝐸(𝑆) , , ∗, → max! (ZNH. 4)

∈ ∗∈ ∗
14 Internationale Personalplanung
14.1 Überblick
Kontinuierliche politische und wirtschaftliche Entwicklungen, wie die Liberalisierung des
Welthandels, die Übertragung einzelstaatlicher Befugnisse auf europäische Institutionen so-
wie die Sättigung heimischer Absatzmärkte führen zu steigendem unternehmerischem
Druck, zur Sicherung der Wettbewerbsfähigkeit auf internationalen Märkten aktiv zu wer-
den (vgl. Nahm/Söllinger 2015, S. 754). Auf der anderen Seite eröffnen solche Entwicklungen
aber auch zahlreiche Möglichkeiten für Unternehmen, durch eine internationale Ausrichtung
wirtschaftlich stärker zu werden und zu sog. „Global Players“ zu wachsen. Ungeachtet der
einzelnen Internationalisierungsmotive können wir eine zunehmende Tendenz von einer
rein nationalen hin zu einer internationalen Ausrichtung von Unternehmen feststellen (für
Ausführungen bezüglich entsprechender Tendenzen vgl. z.B. Festing et al. 2011, S. 6 ff., Holt-
brügge/Welge 2015, S. 1 ff. und Sure 2017, S. 5 ff.).
Unternehmen gelten im Allgemeinen als international, wenn sie „auf Dauer angelegte grenz-
überschreitende Aktivitäten, gleich in welcher Form und in welchem Umfang, tätigen."
(Macharzina/Engelhard, 1987, S. 322; zu speziellen Aspekten vgl. z.B. Macharzina/Engelhard
1987, Stahl 1998 und Holtbrügge/Welge 2015).
Zu den in dieser Definition angesprochenen internationalen Unternehmensaktivitäten gehö-

ren beispielsweise Exporte, die Vergabe von Lizenzen an ausländische Partner sowie die Un-
terhaltung ausländischer Niederlassungen (vgl. Stahl 1998, S. 9). Nicht alle internationalen
Unternehmen betreiben auch internationale Personalplanung. Diese wird nur von denjeni-
gen Unternehmen betrieben, die nur vom Inland aus tätig sind, Mitarbeiter jedoch vom in-
ternationalen Arbeitsmarkt rekrutieren oder die Mitarbeiter in ausländischen Niederlassun-
gen beschäftigen. In den Fokus der nachfolgenden Ausführungen wollen wir die Personal-
planung jener Unternehmen mit dem Schwerpunkt auf Aktivitäten der letztgenannten Art
rücken. Im Speziellen betrachten wir Personalplanungsprobleme von international tätigen
Unternehmen mit einem Stammhaus im Inland und einer oder mehreren Niederlassung(en)
(Tochtergesellschaften, Zweigniederlassungen oder Betriebsstätten) im Ausland.
Bei vertiefender Auseinandersetzung mit Problembereichen internationaler Unternehmen

stellt man schnell fest, dass sich die größten Herausforderungen aus veränderten Rahmen-
bedingungen (ökonomischer, politisch-rechtlicher, sozio-kultureller und allgemein-techno-
logischer Art [vgl. Farmer/Richman 1970, S. 28 ff. und Spengler 1999, S. 48 ff.]) ergeben, wel-
che zwangsläufig daraus resultieren, dass Unternehmen nicht (mehr) nur in einem nationa-
len Kontext, sondern in verschiedenen Ländern oder auf verschiedenen Kontinenten agieren
(vgl. dazu und weiterführend Festing et al. 2011, S. 4 ff.). Daraus ergibt sich Handlungsbedarf
für Weiterentwicklungen bzw. sogar Erneuerungen von Unternehmensstrukturen (Standort-
planung, Bestimmung des Ausmaßes an (De-)Zentralität etc.) und -strategien (z.B. Erschlie-
ßung von und Positionierung auf ausländischen Märkten), woraus sich wiederum neue
https://doi.org/10.1007/978-3-658-25935-8_14
Probleme hinsichtlich der Verfügbarkeit über und Wirksamkeit von Personal ergeben. Bei
der Lösung entsprechender Probleme ist es in diesem Kontext besonders wichtig, eine Kom-
patibilität der Unternehmensbelange und -aktivitäten mit den o.g. Rahmenbedingungen je-
ner Länder, in welchen Geschäftsbeziehungen aufgebaut und Standorte errichtet werden sol-
len, zu erreichen. Auf die sozio-kulturelle Komponente gehen wir in diesem Zusammenhang
in Kap. 14.3 vertiefender ein. Hinzu kommt, dass das Unternehmen und entsprechend des-
sen Personal betreffende Entscheidungen i.d.R. nicht mehr ländermäßig isoliert, sondern un-
ter der Berücksichtigung des Gesamtzusammenhangs getroffen werden können bzw. müs-
sen. Das führt insgesamt zu gesteigerter Komplexität der zu lösenden Probleme und somit
auch zu komplexeren Lösungsprozeduren (vgl. Macharzina/Engelhard 1987, S. 331). Im Fol-
genden gehen wir auf die generelle Bedeutung von Sozialisation, Interaktion, Kommunika-
tion und Kultur für die internationale Personalplanung ein und konkretisieren danach die
speziellen Auswirkungen der Internationalisierung auf die drei Problembereiche der Perso-
nalplanung. Anschließend wollen wir unter Berücksichtigung ausgewählter Aspekte ein Mo-
dell zur internationalen Personalplanung konstruieren.
14.2 Die generelle Bedeutung von Sozialisation,

Interaktion, Kommunikation und Kultur für
die internationale Personalplanung
Sozialisation ist nach Hillmann ein Begriff zur Beschreibung und Erklärung aller Prozesse,
in deren Verlauf der Mensch zum Mitglied einer Gesellschaft und Kultur (Stichwort: Enkul-
turation) wird (vgl. Hillmann 2007, S. 818; zum Begriff der Enkulturation vgl. Hillmann 2007,
S. 183). Nach Brandstätter et al. handelt es sich dabei um Lernprozesse in der „[…] sozialen
Umwelt […], vorwiegend solche Verhaltensweisen zu zeigen, sowie Einstellungen, Werte,
Bedürfnisse usw. zu übernehmen, die den in dieser sozialen Umwelt anerkannten Wertvor-
stellungen und Normen entsprechen, bzw. solche […] Einstellungen, (Werte, Bedürfnisse)
usw. abzubauen, die damit in Widerspruch stehen.“ (Brandstätter et al. 1978, S. 128). Sozia-
lisation ist Vergesellschaftung und Individuation des Menschen zugleich und bedeutet mit-
hin Eingliederung in soziale Gruppen, Gemeinschaften oder Gesellschaften. Als Sozialisati-
onsinstrumente kommen u.a. die Vorgabe von Normen, Geboten sowie Verboten des Han-
delns, die Vermittlung der Vorstellungen von Funktionalität (Zweckmäßigkeit), Rationalität
(Vernunft) und Legitimität (Rechtmäßigkeit) von Normen, das Vorleben erwünschten Ver-
haltens (Stichwort: Beispiel geben), das Versprechen und Gewähren von Gratifikationen so-
wie das Androhen und Verhängen von Sanktionen in Betracht. Als Effekte dieser Instru-
mente können bewusstseinsbildende, persönlichkeitsfördernde, aber auch persönlichkeits-
deformierende Wirkungen eintreten.
Interaktion liegt laut Hillmann vor, „[…] wenn ein Handelnder (Individuum, Gruppe, Orga-
nisation) sich nicht nur am zufälligen oder gerade erkennbaren Verhalten eines anderen
Handlungspartners, sondern auch und in erster Linie an dessen (vermuteten) Erwartungen
(Absichten), positiven und negativen Einstellungen sowie der Einschätzung und Bewertung
Die spezielle Bedeutung von Internationalisierung für die Problembereiche 225
der gemeinsamen Situation orientiert.“ (Hillmann 2007, S. 387). Voraussetzung dafür ist ein
Bestand an gemeinsamen normativen Mustern (Stichwort: minimaler Konsens), Symbolen
und Kommunikationstechniken. Dabei könnte auf den Begriff „Interaktion“ verzichtet wer-
den, wenn das Verhalten durch die geteilten Normen (etwa durch formale Rollen) bereits
festgelegt wäre. Mit Interaktion wird deshalb immer die Vorstellung verbunden, dass sich
die konkrete Ausprägung der wechselseitigen Orientierung und Beeinflussung erst durch
tatsächliches (aktionales und kommunikatives) Handeln in einem Prozess gegenseitiger Ab-
stimmung und somit diskursiv entwickelt. Interaktionen sind damit nie eine Einzelhand-
lung, sondern immer eine Sequenz aus Aktionen und Reaktionen (Stichworte: Handlungs-
zyklus, Handlungsdynamik).
Mit Kultur bezeichnet man nach Tylor den Komplex von Kenntnissen, Glaubensvorstellun-
gen, Rechtsauffassungen, Bräuchen und Sitten etc., die eine Gesellschaft ausmachen, letztlich
das geteilte und gelebte Wertesystem einer sozialen Bezugsgruppe (vgl. Tylor 1920, S 1 ff.).
In einer zunehmend globalisierten Welt bewegen sich immer mehr Unternehmen auf inter-
nationalem Terrain. Deren Geschäftserfolge werden u.a. auch von den transnationalen Inter-
aktionen der Handlungspartner determiniert und diese wiederum hängen von den invol-
vierten Kulturen, den erfolgten Sozialisationen sowie den verwendeten Kommunikations-
mustern und -strategien ab. Dies ist im Kontext internationaler Personalplanung zu beach-
ten. Dabei geht es u.a. um Fragen der Kompatibilität diverser Sozialisations-, Interaktions-,
Kommunikations- und Enkulturationsmuster und zwar nicht zuletzt bei der Zusammenset-
zung von Teams.
14.3 Die spezielle Bedeutung von

Internationalisierung für die Problembereiche
der betrieblichen Personalplanung
Aus den obigen Ausführungen können wir ableiten, dass die Internationalisierung von Un-
ternehmen Auswirkungen auf jeden einzelnen Problembereich der Personalplanung, also so-
wohl auf den (a) Personalbedarf als auch auf die (b) Personalausstattung sowie auf den (c)
Personaleinsatz, hat.
Zu (a): Die Internationalisierung hat unterschiedliche Bedeutungen für die einzelnen Dimen-
sionen des Personalbedarfs. Bezüglich der lokalen Dimension gilt es beispielsweise Interde-
pendenzen hinsichtlich des Bedarfs in Haupt- und Auslandsniederlassungen zu beachten;
z.B. können Bedarfe nur an einzelnen Standorten unabhängig voneinander oder niederlas-
sungsübergreifend anfallen, was bei entsprechend zu formulierenden Ansätzen zu berück-
sichtigen ist. Hinsichtlich der temporalen Dimension müssen ggf. auch Reihenfolgebezie-
hungen zwischen den anfallenden Bedarfen in den einzelnen Niederlassungen berücksich-
tigt werden. Diese entstehen z.B. dann, wenn Teilprozesse an unterschiedlichen Standorten
durchgeführt werden und die Durchführung einzelner Teilprozesse von der Fertigstellung
anderer abhängig ist. Die qualitative Dimension ist insofern betroffen, als aufgrund verän-
derter Rahmenbedingungen ggf. neue Tätigkeitsarten definiert werden müssen, um den Ge-
gebenheiten und Erfordernissen der Geschäftstätigkeit im Ausland gerecht zu werden.
Zu (b): Je nach Standort der Haupt- und Auslandsniederlassungen können sich die (potenzi-
ell) vorhandenen Arbeitskräfte in Art und Umfang stark unterscheiden. Zudem können sich
aus den länderspezifischen Rahmenbedingungen neue Möglichkeiten aber auch Grenzen
hinsichtlich der Disposition von Personal ergeben. Im Speziellen wollen wir kurz auf mögli-
che Auswirkungen auf Maßnahmen der Personalbeschaffung, -schulung, -versetzung, -be-
förderung und -degradierung eingehen.
Im Zuge der (internationalen) Personalbeschaffung gilt es u.a. zu klären, welche Arbeits-

märkte für die Beschaffung von Personal in Frage kommen. Schulungen müssen ggf. um die
Vermittlung interkultureller Kompetenzen erweitert werden, z.B. wenn Teams mit Personal
aus unterschiedlichen Kulturen besetzt werden sollen oder Entsendungen von Personal in
Niederlassungen anderer Länder mit verstärkten kulturellen Unterschieden vorgesehen
sind. Zudem gilt es ggf. zu berücksichtigen, dass Ausbildungskonzepte von Land zu Land
unterschiedlich sein können (z.B. hinsichtlich der Konventionen, Bedingungen oder staatli-
cher Förderungen).
Bei Versetzungen, Beförderungen und Degradierungen müssen ggf. länderspezifische Rege-

lungen (formelle Gegebenheiten) und Gepflogenheiten (informelle Gegebenheiten) im Zu-
sammenhang mit Versetzungs- und Beförderungspraktiken (sowohl intra- als auch interor-
ganisational) beachtet werden. Die Betonung liegt hier insbes. auf rechtlichen und sozio-kul-
turellen Aspekten.
Zu (c): Auch bezüglich der drei Einsatzalternativen (s. Kap. 11.4) gilt es im Vergleich zur
nationalen Betrachtung internationalisierungsspezifische Aspekte zu berücksichtigen. So
müssen Unternehmen u.U. (insbesondere in der Anfangsphase der Internationalisierung)
aufgrund erweiterter oder neuer Tätigkeitsprofile mit erhöhtem Schulungsbedarf von Perso-
nal rechnen, was dazu führt, dass (off the job) geschultes Personal während der Schulung
nicht für den Einsatz im Leistungsprozess verfügbar ist. Wenn sich der Leistungsprozess
zugleich in Art und Umfang erweitert (wovon oftmals ausgegangen werden kann), so kann
sich der Planungs- und Koordinationsaufwand für das entsprechende Unternehmen stark
erhöhen. Zudem eröffnen die um zusätzliche Standorte erweiterten Unternehmensstruktu-
ren ggf. neue Leihmöglichkeiten des Personals.
Einsätze in Auslandsniederlassungen führen ungeachtet der Art des Einsatzes grundsätzlich

zu Entsendungsproblemen, von deren Planung und Umsetzung der Erfolg der ausländi-
schen Unternehmenstätigkeit in nicht unerheblichem Maße abhängen kann. Auf Herausfor-
derungen im Kontext von Personalbesetzungs- und damit verbundenen Entsendungsprob-
lemen wollen wir im Folgenden vertiefender eingehen.
Personalbesetzungsprobleme im Kontext internationaler Personalplanungen 227
14.4 Personalbesetzungsprobleme im Kontext

internationaler Personalplanungen
14.4.1 Grundlegende Stellenbesetzungsstrategien

Abhängig vom Grad der Internationalisierung, dem Grad an (De-)Zentralisierung sowie der
strategischen Ausrichtung eines internationalen Unternehmens werden in der Literatur drei
grundlegende Stellenbesetzungsstrategien unterschieden (vgl. dazu z.B. Deresky 2003, S. 391
ff., Festing et al. 2011, S.216 ff. und Sure 2017, S. 134 ff.).
Die grundlegende Annahme hinter diesen drei Basisstrategien ist, dass Stellen in einer aus-
ländischen Niederlassung mit drei unterschiedlichen Arten von Mitarbeitern besetzt werden
können, und zwar mit
■ solchen des Stammhauses,

■ solchen des Landes, in dem sich ausländische Niederlassungen befinden und
■ solchen aus Drittländern (in denen sich weder das Stammhaus noch eine Niederlas-
sung befindet).
Die grundlegende Strategie, bei der Stellen (insbes. mit Managementfunktion) hauptsächlich
mit Mitarbeitern des Stammhauses (sog. Stammhausdelegierten) besetzt werden, wird als
ethnozentrische Besetzungsstrategie bezeichnet. Diese wird in der Regel von Unternehmen
gewählt, die sich in der Phase der internationalen Expansion befinden oder relativ stark
zentralisierte Organisationsstrukturen aufweisen. Werden überwiegend lokale Mitarbeiter
aus dem Land, in dem sich die Auslandsniederlassung befindet, für Positionen (insbes. mit
Managementfunktion) rekrutiert und eingesetzt, wird dies als polyzentrische Besetzungsstra-
tegie bezeichnet. Eine solche Besetzungsstrategie wird bei verstärkt dezentralisierten Orga-
nisationsstrukturen eingesetzt, um bspw. eine lokale Identität der ausländischen Niederlas-
sung aufzubauen und zu erhalten. Erfolgt die Rekrutierung und Besetzung von (insbes. Ma-
nagement-)Positionen unabhängig von dem jeweiligen Herkunftsland der Personen (also un-
ter Berücksichtigung des globalen Arbeitsmarktes), so spricht man von einer geozentrischen
Besetzungsstrategie. Jede dieser Strategien (ob sie nun in Rein- oder Mischform von Unter-
nehmen verfolgt werden) hat zahlreiche Vor- und Nachteile und wirft unterschiedliche zu
lösende Folgeprobleme auf (Diskurse zu Vor- und Nachteilen dieser Strategien liefern z.B.
Festing et al. 2011, S. 216 ff., Holtbrügge/Welge 2015, S. 327 und Sure 2017, S. 135 ff.). Eines
dieser Probleme (welches insbesondere bei der erstgenannten Besetzungsstrategie präsent
ist) ist die Entsendung von Stammhausdelegierten, worauf wir im Folgenden vertiefender
eingehen wollen.
14.4.2 Entsendungsproblematik von Stammhausdelegierten

An die Grundsatzentscheidung, Stellen in ausländischen Niederlassungen mit Stammhaus-
delegierten zu besetzen, schließen sich Planungen bezüglich des darauffolgenden Entsen-
dungsprozesses an. Dieser kann idealtypisch in vier Phasen untergliedert werden (vgl. Stahl
1998, S. 26 und Holtbrügge/Welge 2015, S. 329):
■ Auswahlphase
■ Vorbereitungsphase
■ Einsatzphase
■ Reintegrationsphase
Personalplanerische Bedeutung haben insbesondere die (a) Auswahl- sowie die (b) Reinteg-
rationsphase, auf deren Problembereiche wir im Folgenden vertiefend eingehen wollen.
Zu (a): Die Auswahl von hinreichend qualifiziertem Stammhauspersonal für die Besetzung
von Stellen in ausländischen Niederlassungen birgt zahlreiche Herausforderungen, insbe-
sondere, wenn sich das Gastland hinsichtlich kultureller, politischer und rechtlicher Aspekte
stark vom Heimatland unterscheidet. Korrespondierende Auswahlentscheidungen sind mit
höchster Sorgfalt zu treffen, nicht zuletzt deshalb, weil Fehlbesetzungen gravierende (öko-
nomische) Folgen für die Leistungsprozesse der ausländischen Niederlassung sowie auf die
persönliche als auch berufliche Entwicklung des Stammhausdelegierten haben können. Hier-
bei ist von besonderer Bedeutung, dass potenzielle Kandidaten nicht nur nach rein fachlichen
Qualifikationsmerkmalen ausgewählt werden, sondern z.B. auch nach (Auslands-)Erfahrun-
gen, physischer und psychischer Stabilität und persönlichen Kompetenzen im Zusammen-
hang mit der Auslandstätigkeit (vgl. z.B. Stahl 1998, S. 27 f., Holtbrügge/Welge 2015, S. 330 f.
und Sure 2017, S. 139 f.). Tabelle 14.1 enthält mögliche Anforderungskriterien für die Aus-
wahl von Fach- und Führungskräften für den Einsatz im Ausland.
Durch einen Abgleich von Anforderungs- und Fähigkeitsprofilen der in Frage kommenden
Mitarbeiter des Stammhauses kann die jeweilige Eignung der Kandidaten ermittelt (vgl.
dazu Kossbiel 1988, S. 1091 ff.) und so der jeweils passende für die Entsendung ausgewählt
werden. Bei korrespondierenden Personalplanungsansätzen können die entsprechenden
Eignungsgrade (aber auch Neigungsgrade) direkt oder über Leistungsfaktoren in Ansatz ge-
bracht werden.
Personalbesetzungsprobleme im Kontext internationaler Personalplanungen 229
Tabelle 14.1 Mögliche Anforderungskriterien für die Auswahl von Fach- und Füh-
rungskräften für den Einsatz im Ausland
Fachliche Kriterien ‒ Berufs- (u. ggf. Führungs-)erfahrung

‒ Tätigkeitsbezogene Fähigkeiten und Fertigkeiten
‒ Entwicklungspotenzial
‒ Kenntnisse der Unternehmung sowie der relevanten Pro-
dukte und Märkte
Kriterien bezogen ‒ Organisations- und Kommunikationsfähigkeit

auf personale, ‒ Flexibilität
allgemein soziale ‒ Selbstständigkeit
und interkulturelle ‒ Konflikt- und Ambiguitätstoleranz
Kompetenzen ‒ Anpassungs- und Empathievermögen bezüglich spezifi-
scher Gastlandbedingungen
‒ Kenntnis der jeweiligen Gastlandsprache bzw. Bereit-
schaft, diese zu erlernen
Weitere personen- ‒ Alter

bezogene Kriterien ‒ Emotionale Stabilität
‒ Physische und psychische Belastbarkeit
‒ Familiäre und sonstige Bindungen
‒ Einstellung des (Ehe-)Partners und anderer Familienan-
gehöriger zum Auslandsaufenthalt
Quelle: Adaptiert nach Holtbrügge/Welge 2015, S. 331.
Zu (b): Die Wiedereingliederung von Stammhausdelegierten (sog. Repatriierung) ist ein wei-
teres zentrales Problem von Auslandsentsendungen, das eine rechtzeitige und umfassende
Reintegrationsplanung erfordert. Aus empirischen Untersuchungen geht hervor, dass Män-
gel innerhalb von Planungen der Reintegrationsphase z.B. dazu führen können, dass Aus-
landsrückkehrer unzufrieden sind, Kündigungsabsichten hegen oder in die „innere Emigra-
tion“ verfallen, wodurch sich eine dauerhafte Leistungsminderung einstellt oder gar das
endgültige Ausscheiden aus dem Betrieb erfolgt. Dadurch können den betroffenen Unter-
nehmen erhebliche Kosten entstehen, z.B. durch die notgedrungene Schaffung von „Auf-
fangstellen“, Anschlussentsendungen oder Abfindungen (vgl. dazu und weiterführend z.B.
Stahl 1998, S. 34, Festing et al. 2011, S. 339 ff. und Holtbrügge/Welge 2015, S. 348). Teil einer
erfolgreichen Entsendung ist also die rechtzeitige Findung von Nachfolge- und/oder Rück-
kehrregelungen unter Berücksichtigung der Erwartungen und Qualifikationen des Delegier-
ten. Denkbare Handlungsalternativen seitens des Unternehmens sind in diesem Zusammen-
hang z.B.
■ die Bereitstellung der gleichen oder einer vergleichbaren Stelle, die der Delegierte
vor der Entsendung besetzt hat,
■ die Bereitstellung einer Stelle, die mit der besetzten Stelle in der ausländischen Nie-
derlassung hinsichtlich Tätigkeitsprofil, Verantwortungsumfang und Vergütung
(zumindest teilweise) vergleichbar ist,
■ Aufschiebung bzw. Umgehung der Reintegrationsproblematik durch eine erneute

Entsendung des Mitarbeiters (vgl. Holtbrügge/Welge 2015, S. 348 f.).
Im folgenden Teilkapitel wollen wir ein Modell zur internationalen Personalplanung zu-
nächst auf kollektiver Ebene konstruieren, um anschließend u.a. Erweiterungspotenziale
hinsichtlich individueller Aspekte der Entsendungsproblematik zu diskutieren.
14.5 Ein Modell zur internationalen

Personalplanung
Für die Formulierung des Ansatzes zur internationalen Personalplanung, der als Modell der
simultanen Personal- und Organisationsplanung (s. Kap. 12.5.4) konzipiert wird, betrachten
wir ein Unternehmen, das zum aktuellen Zeitpunkt nur an einem (Haupt-)Unternehmens-
standort (𝑠 = 1) produziert (gekennzeichnet durch das karierte Fähnchen in Abbildung
14.1). Dieses hat allerdings Internationalisierungsmaßnahmen beschlossen und möchte dem-
entsprechend 𝑆 − 1 weitere Unternehmensstandorte (𝑠 = 2, … , 𝑆) im Ausland errichten (im
Beispiel aus Abbildung 14.1: vier weitere Standorte 𝑠 = 2, 3, 4, 5, gekennzeichnet durch die
schraffierten Fähnchen). Im Zuge der Internationalisierung soll aber auch die Organisations-
struktur des Hauptstandortes 𝑠 = 1 ggf. angepasst werden.
Das Unternehmen hat die in Zukunft zu erledigenden Aufgaben in zwei verschiedene Kate-
gorien unterteilt. Zum einen gibt es standortgebundene Aufgaben der Arten 𝑘 ∈ 𝐾 (bspw.
Fertigungsaufgaben, Aufgaben der Personalverwaltung etc.) und zum anderen standort-
∗
übergreifende Tätigkeiten der Arten 𝑘 ∗ ∈ 𝐾 (z.B. Aufgaben des externen Rechnungswesen,
Aufgaben der strategischen Planung etc.). Der Gesamtumfang an standortgebundenen bzw.
standortübergreifenden Aufgaben wird mit 𝐴 bzw. 𝐴 ∗ bezeichnet.
An jedem Standort kann das Unternehmen Stellen der Art 𝑖 ∈ 𝐼 einrichten, auf welche die
oben genannten Aufgaben zu verteilen sind. Im Zuge der Aufgabenverteilung ist
a) für jeden Standort zu klären, welcher Anteil 𝑦 am Gesamtaufgabenumfang 𝐴 auf

Stellen der Art 𝑖 zu verteilen ist bzw.
b) über alle Standorte zu klären, welcher Anteil 𝑦 ∗ am Gesamtaufgabenumfang 𝐴 ∗
auf Stellen der Art 𝑖 am Standort 𝑠 zu verteilen ist.
Die konkrete Erledigung der Stellen der Art 𝑖 an Standort 𝑠 zugeordneten Aufgaben der Art
𝑘 und der Art 𝑘 ∗ erfolgt über diesen Stellen alloziierte Arbeitskräfte der Art 𝑟 (Personalein-
sätze 𝑃𝐸 ). Abhängig von Stellen- und Arbeitskräfteart sowie dem Einsatz-Standort werden
diese Personaleinsätze mit Leistungsfaktoren 𝛼 multipliziert. Entsprechend der Anzahl
der eingesetzten Mitarbeiter auf Stellen der Art 𝑖 muss an jedem Unternehmensstandort 𝑠
Ein Modell zur internationalen Personalplanung 231
eine ausreichende Anzahl dieser Stellen (𝑥 ) eingerichtet werden.
Abbildung 14.1 Ausgangssituation
Zum Planungszeitpunkt verfügt das Unternehmen ausschließlich über Anfangspersonalaus-

stattungen am Hauptstandort (𝑃𝐴 ). Zur Versorgung der neu errichteten Standorte mit
Personal stehen dem Unternehmen zwei Möglichkeiten zur Verfügung:
1. Versetzungen von Arbeitskräften aus dem Hauptstandort 𝑠 1 zum neuen Standort

𝑠 (𝑣 , ) (exemplarisch für 𝑠 3, 5 durch die weißen Pfeile in Abbildung 14.1
dargestellt).
2. Neueinstellungen von Arbeitskräften aus verschiedenen Arbeitsmärkten 𝑚 ∈ 𝑀
(ℎ ) (exemplarisch für 𝑚 3, 4, 5 durch die schwarzen Pfeile in Abbildung 14.1
dargestellt).
Die Arbeitsmärkte 𝑚 stellen dabei immer die nationalen Arbeitsmärkte an den verschiede-
nen Unternehmensstandorten dar.
Um den reibungslosen Ablauf an den neuen Standorten zu gewährleisten, möchte das Un-
ternehmen jedoch mindestens 𝑣 , , Arbeitskräfte jeder Art 𝑟 vom Hauptstandort an je-
den dieser Standorte 𝑠 versetzen. Des Weiteren sollen aber insgesamt auch nicht mehr als
𝑣𝑝 Prozent der Gesamt-Anfangspersonalausstattung am Hauptstandort versetzt werden,
damit die dortigen Abläufe weiterhin funktionieren. Bezüglich der Neueinstellungen an den
Standorten 𝑠 ∈ 2, … , 𝑆 soll zudem sichergestellt werden, dass mindestens ℎ𝑝 Prozent der
einzustellenden Arbeitskräfte vom nationalen Arbeitsmarkt (𝑚 𝑠) stammen.
Das Extremierungsziel des Modells ist die Minimierung der Summe der Personaleinsatz-,
Stelleneinrichtungs-, Versetzungs- sowie Einstellungskosten.
Mengen
𝐼 ≔ {𝑖|𝑖 = 1,2, … , 𝐼} Menge der Stellenarten
𝐾 ≔ {𝑘|𝑘 = 1,2, … , 𝐾} Menge der (standortgebundenen) Aufgabenarten, die an jedem

Standort separat anfallen und vollständig auf die dort einzurichtenden Stellen zu ver-
teilen sind
∗
𝐾 ≔ {𝑘 ∗ |𝑘 ∗ = 𝐾 + 1, 𝐾 + 2, … , 𝐾 ∗ } Menge der Aufgabenarten, die standortübergreifend an-
fallen und auf mehrere im Unternehmen einzurichtende Stellen standortübergreifend
verteilt werden können
𝑀 ≔ {𝑚|𝑚 = 1,2, … , 𝑀} Menge der Arbeitsmärkte
𝑆 ≔ {𝑠|𝑠 = 1,2, … , 𝑆; mit 𝑠 = 1: Stammhaus} Menge der Unternehmensstandorte
𝐼 ≔ Menge der Stellenarten 𝑖, auf denen Aufgaben der Art 𝑘 erledigt werden können
𝐼 ∗ ≔ Menge der Stellenarten 𝑖, auf denen Aufgaben der Art 𝑘 ∗ erledigt werden können
𝐼 ≔ Menge der Stellenarten 𝑖, die mit Arbeitskräften der Art 𝑟 besetzt werden können
𝐼 ≔ Menge der Stellenarten 𝑖, die an Unternehmensstandort 𝑠 eingerichtet werden können
𝐾 ≔ Menge der Aufgabenarten 𝑘, die auf Stellen der Art 𝑖 erledigt werden können
𝐾 ∗ ≔ Menge der Aufgabenarten 𝑘 ∗ , die auf Stellen der Art 𝑖 erledigt werden können
𝑀 ≔ Menge der Arbeitsmärkte 𝑚, von denen der Unternehmensstandort 𝑠 Arbeitskräfte

rekrutieren kann
𝑅 ≔ Menge der Arbeitskräftearten 𝑟, die Stellen der Art 𝑖 besetzen können
𝑆 ∗ ≔ Menge der Unternehmensstandorte 𝑠, auf die Aufgaben der Art 𝑘 ∗ verteilt werden
können
Daten
𝐴 ≔ Gesamtumfang der an Unternehmensstandort 𝑠 anfallenden Aufgaben der Art 𝑘
𝐴 ∗ ≔ Gesamtumfang an Aufgaben der Art 𝑘 ∗
𝛼 ≔ Leistungsfaktor einer auf einer Stelle der Art 𝑖 an Unternehmensstandort 𝑠 ein-

gesetzten Arbeitskraft der Art 𝑟
,
𝐻 ≔ Maximale Anzahl an einstellbaren Arbeitskräften der Art 𝑟 von Arbeitsmarkt 𝑚
𝐻𝐾 ≔ Kostensatz der Einstellung einer Arbeitskraft der Art 𝑟 von Arbeitsmarkt 𝑚 an

Unternehmensstandort 𝑠
ℎ𝑝 ≔ Minimaler Anteil der vom Arbeitsmarkt 𝑚 stammenden Arbeitskräfte an der

Gesamtpersonalausstattung, die an Unternehmensstandort 𝑠 einzustellen sind
(Angaben in %)
𝑃𝐴 ≔ Personalanfangsausstattung mit Arbeitskräften der Art 𝑟 an Unternehmens-

standort 𝑠 = 1
𝑃𝐾 ≔ Periodisierter Personalkostensatz je Arbeitskraft der Art 𝑟, die auf einer Stelle

der Art 𝑖 an Unternehmensstandort 𝑠 eingesetzt wird
𝑆𝐾 ≔ Periodisierter Kostensatz der Einrichtung und Unterhaltung von Stellen der Art
𝑖 an Unternehmensstandort 𝑠
𝑇 ≔ Zeit, die eine Arbeitskraft in der Planungsperiode zur Verfügung steht
𝑡 ≔ Durchschnittliche Zeit zur Erledigung einer Aufgabeneinheit der Art 𝑘 auf einer
Stelle der Art 𝑖 an Unternehmensstandort 𝑠
𝑡 ∗ ≔ Durchschnittliche Zeit zur Erledigung einer Aufgabeneinheit der Art 𝑘 ∗ auf Stel-
len der Art 𝑖 an Unternehmensstandort 𝑠
,
𝑉𝐾 ≔ Kostensatz der Versetzung einer Arbeitskraft der Art 𝑟 von Unternehmens-
standort 𝑠 = 1 zu einem anderen Unternehmensstandort 𝑠
,
𝑣 , ≔ Mindestanzahl an Versetzungen von Arbeitskräften der Art 𝑟 von Unterneh-
mensstandort 𝑠 = 1 zu einem anderen Unternehmensstandort 𝑠
𝑣𝑝 ≔ Maximaler Anteil der an einen anderen Unternehmensstandort (𝑠 > 1) zu ver-

setzenden Arbeitskräfte an der Gesamtpersonalausstattung am Unternehmens-
standort 𝑠 = 1 (Angaben in %)
ℎ ≔ Anzahl der Einstellungen von Arbeitskräften der Art 𝑟 aus Arbeitsmarkt 𝑚 an

Unternehmensstandort 𝑠
𝑃𝐴 ≔ Personalausstattung mit Arbeitskräften der Art 𝑟 an Unternehmensstandort 𝑠
𝑃𝐸 ≔ Anzahl der auf Stellen der Art 𝑖 an Unternehmensstandort 𝑠 einzusetzenden Ar-

beitskräfte der Art 𝑟
,
𝑣 ≔ Anzahl der von Unternehmensstandort 𝑠 = 1 aus zu einem anderen Unterneh-
mensstandort 𝑠 zu versetzenden Arbeitskräfte der Art 𝑟
𝑥 ≔ Zahl der an Unternehmensstandort 𝑠 einzurichtenden Stellen der Art 𝑖
𝑦 ≔ Anteil am Gesamtumfang an Aufgaben der Art 𝑘, der Stellen der Art 𝑖 an Unter-
nehmensstandort 𝑠 übertragen werden soll
𝑦 ∗ ≔ Anteil am Gesamtumfang an Aufgaben der Art 𝑘 ∗ , der Stellen der Art 𝑖 an Un-
ternehmensstandort 𝑠 übertragen werden soll
Zielfunktion:
𝑃𝐾 ∙ 𝑃𝐸 + 𝑆𝐾 ∙ 𝑥 + 𝑉𝐾 ∙𝑣
∈ ∈ ∈
+ 𝐻𝐾 ∙ℎ → min! (ZIM. 1)
∈
[Lies: Minimiere die Summe der an allen Unternehmensstandorten anfallenden Kosten für
Personaleinsätze, Stelleneinrichtungen, Versetzungen und Neueinstellungen von Arbeits-
kräften!]
u.d.N.:
Vollständigkeitsbedingungen für
a) Aufgaben der Art 𝑘 an Unternehmensstandorten 𝑠
𝑦 =1 ∀ 𝑘 ∈ 𝐾, 𝑠 ∈ 𝑆 (IM. 1)
∈
[Lies: An jedem Unternehmensstandort ist der Gesamtumfang an standortgebundenen Auf-

gaben vollständig auf für deren Erledigung vorgesehene Stellen zu verteilen.]
b) Aufgaben der Art 𝑘 ∗

∗
𝑦 ∗ =1 ∀ 𝑘∗ ∈ 𝐾 (IM. 2)
∈ ∗ ∈ ∗∩
[Lies: Über alle Unternehmensstandorte ist der Gesamtumfang an standortübergreifenden

Aufgaben vollständig auf für deren Erledigung vorgesehene Stellen zu verteilen.]
𝑡 ∙𝐴 𝑡 ∗ ∙𝐴 ∗
∙𝑦 + ∙𝑦 ∗ ≤ 𝛼 ∙ 𝑃𝐸 ∀ 𝑠 ∈ 𝑆, 𝑖 ∈ 𝐼 (IM. 3)
𝑇 ∗∈ ∗
𝑇
∈ ∈
[Lies: Der einem Unternehmensstandort zugeordnete stellenbezogene Personalbedarf ist

durch den Einsatz hinreichend qualifizierter Arbeitskräfte auf den für die Aufgabenerledi-
gung vorgesehenen Stellen mindestens zu decken.]
𝑃𝐸 ≤𝑥 ∀ 𝑠 ∈ 𝑆, 𝑖 ∈ 𝐼 (IM. 4)
∈
[Lies: An jedem Unternehmensstandort sind mindestens so viele Stellen der Art 𝑖 einzurich-
ten, wie Arbeitskräfte auf diesen eingesetzt werden sollen.]
𝑃𝐸 ≤ 𝑃𝐴 ∀ 𝑟 ∈ 𝑅, 𝑠 ∈ 𝑆 (IM. 5)
∈
[Lies: An jedem Unternehmensstandort können maximal so viele Arbeitskräfte auf Stellen

der Art 𝑖 eingesetzt werden, wie in der jeweiligen Personalausstattung der Arbeitskräfteka-
tegorie vorhanden sind.]
Personalausstattungsermittlung für
a) den Unternehmensstandort 𝑠 = 1
𝑃𝐴 = 𝑃𝐴 − 𝑣 +ℎ ∀𝑟∈𝑅 (IM. 6)
∈ \{ }
[Lies: Die Personalausstattung der Arbeitskräftekategorie 𝑟 setzt sich am Hauptstandort des

Unternehmens aus der entsprechenden Anfangsausstattung abzgl. der Versetzungen an an-
dere Unternehmensstandorte und zzgl. der Neueinstellungen vom nationalen Arbeitsmarkt
zusammen. Rückversetzungen an den Hauptstandort sowie Entlassungen an diesem sind
nicht vorgesehen.]
b) die Unternehmensstandorte 𝑠 ∈ {2, … , 𝑆}
𝑃𝐴 =𝑣 + ℎ ∀ 𝑟 ∈ 𝑅, 𝑠 ∈ {2, … , 𝑆} (IM. 7)
∈
[Lies: Die Personalausstattung der Arbeitskräftekategorie 𝑟 an den neuen Unternehmens-

standorten setzt sich aus den Versetzungen von Arbeitskräften des Hauptstandortes und
den Neueinstellungen aus verschiedenen Arbeitsmärkten zusammen.]
Versetzungsobergrenze für Unternehmensstandort 𝑠 = 1
𝑣 ≤ 𝑣𝑝 ∙ 𝑃𝐴 (IM. 8)
∈ \{ }
[Lies: Die Gesamtanzahl an vom Hauptstandort an andere Unternehmensstandorte zu ver-

setzenden Arbeitskräften darf einen zuvor festgelegten Anteil an der Personalanfangsaus-

stattung nicht überschreiten.]
Versetzungsuntergrenze für die Unternehmensstandorte 𝑠 ∈ {2, … , 𝑆}
𝑣 ≥𝑣 , ∀ 𝑟 ∈ 𝑅, 𝑠 ∈ {2, … , 𝑆} (IM. 9)
[Lies: An jeden neuen Unternehmensstandort ist eine zuvor festgelegte Mindestanzahl an
Arbeitskräften des Hauptstandortes zu versetzen.]
Einstellungsobergrenzen der Arbeitsmärkte 𝑚:
,
ℎ ≤𝐻 ∀ 𝑟 ∈ 𝑅, 𝑚 ∈ 𝑀 (IM. 10)
∈
[Lies: Die Anzahl an einstellbaren Arbeitskräften ist auf jedem Arbeitsmarkt 𝑚 für jede Ar-
beitskräftekategorie 𝑟 nach oben beschränkt.]
Einstellungsuntergrenzen für die Unternehmensstandorte 𝑠 ∈ {2, … , 𝑆} auf den Arbeitsmärk-

ten 𝑚 ∈ {2, … , 𝑀}
𝑃𝐴 ∙ ℎ𝑝 ≤ ℎ ∀ 𝑠 ∈ {2, … , 𝑆}, 𝑚 ∈ {2, … , 𝑀} mit 𝑠 = 𝑚 (IM. 11)
[Lies: An jedem neuen Unternehmensstandort ist mindestens ein zuvor festgelegter Anteil
der gesamten Personalausstattung an diesem Standort durch Einstellungen vom nationalen
Arbeitsmarkt zu beschaffen.]
, ∗
ℎ , 𝑃𝐴 , 𝑃𝐸 , 𝑣 ,𝑥 ,𝑦 ,𝑦 ∗ ≥0 ∀ relevanten 𝑖 ∈ 𝐼, 𝑘 ∈ 𝐾, 𝑘 ∗ ∈ 𝐾 , 𝑚 ∈ 𝑀,
𝑟 ∈ 𝑅, 𝑠 ∈ 𝑆 (IM. 12)
Analog zum Grundmodell der nachhaltigen Personalplanung wollen wir auch an dieser
Stelle eine Auswahl möglicher Erweiterungspotenziale des oben formulierten Modells skiz-
zieren:
Zum einen könnten die Versetzungen vom Hauptstandort 𝑠 = 1 zu anderen Standorten 𝑠

hinsichtlich der ausschließlichen Berücksichtigung von Arbeitskräften mit Führungsqualifi-
kation spezifiziert werden. Dazu definieren wir:
𝑅 ≔ Menge der Arbeitskräftearten 𝑟, die Führungsaufgaben übernehmen können
und führen die Restriktion (IM. 9‘) [Versetzungsuntergrenze für die Unternehmensstandorte
𝑠 ∈ {2, … , 𝑆}] ein, mit:
𝑣 ≥𝑣 , ∀ 𝑟 ∈ 𝑅 , 𝑠 ∈ {2, … , 𝑆} (IM. 9‘)

Zum anderen ist die Einführung weiterer, von Unternehmensstandorten unabhängiger Ar-
beitsmärkte (geozentrische Personalbesetzungsstrategie [s. Kap. 14.4.1]) denkbar.
Legt man das Modell auf eine mehrperiodige Optimierung (mit 𝑇 ≔ {𝑡|𝑡 = 1,2, … , 𝑇} als
Menge der Teilperioden) aus, wäre zudem die Einführung von Schulungsmöglichkeiten
bzw. Berücksichtigung von Investitionen in das Humankapital im Allgemeinen möglich (vgl.
z.B. Spengler 1994, S. 416 ff.). Außerdem könnten dann auch Puffer für die Rückkehr von
Arbeitskräften, die nur für eine gewisse Zeit an einem Unternehmensstandort im Ausland
tätig sein sollen, in Ansatz gebracht werden. Wir definieren folgende Symbole:
,
𝑣 ≔ Anzahl der Versetzungen von Arbeitskräften der Art 𝑟 von Unternehmensstand-
ort 𝑠 = 1 zu einem anderen Unternehmensstandort 𝑠 in Teilperiode 𝑡
𝑥∗ ≔ Anzahl freizuhaltender Stellen der Art 𝑖 an Unternehmensstandort 𝑠 = 1 in Teil-

periode 𝑡
Dann lautet Möglichkeit 1:
Für jede zu versetzende Arbeitskraft der Art 𝑟 vom Unternehmensstandort 𝑠 = 1 ist für eine
Teilperiode eine Stelle der Arten 𝑖 ∈ 𝐼 freizuhalten.
𝑣 ≤ 𝑥∗ ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (IM. 13)
∈ \{ } ∈
𝑃𝐸 + 𝑥∗ ≤ 𝑥 ∀ 𝑖 ∈ 𝐼 ,𝑡 ∈ 𝑇 (IM. 14)
∈
𝑃𝐸 ≤𝑥 ∀ 𝑠 ∈ {2, … , 𝑆}, 𝑖 ∈ 𝐼 , 𝑡 ∈ 𝑇 (IM. 4 )

∈
Möglichkeit 2 lautet wie folgt:
Für jede zu versetzende Arbeitskraft der Art 𝑟 vom Unternehmensstandort 𝑠 = 1 ist für 𝑇 ∗
Teilperioden eine Stelle der Arten 𝑖 ∈ 𝐼 freizuhalten.
𝑣 ≤ 𝑥∗ ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇, 𝑡 ∈ {𝑡, … , 𝑡 + 𝑇 ∗ } (IM. 13′)

∈ \{ } ∈
𝑃𝐸 + 𝑥∗ ≤ 𝑥 ∀ 𝑖 ∈ 𝐼 ,𝑡 ∈ 𝑇 (IM. 14)
∈
𝑃𝐸 ≤𝑥 ∀ 𝑠 ∈ {2, … , 𝑆}, 𝑖 ∈ 𝐼 , 𝑡 ∈ 𝑇 (IM. 4 )

∈
Ebenso besteht auch die Möglichkeit, individuelle Arbeitskräfte anstelle von Arbeitskräfte-
kategorien zu betrachten, um bspw. Nachfolge- und/oder Rückkehrregelungen zu integrie-
ren:
𝐽 ≔ {𝑗|𝑗 = 1,2, … , 𝐽} Menge der individuellen Arbeitskräfte
1, wenn 𝑗 mit Qualifikation 𝑟 auf einer Stelle der Art 𝑖 am Standort 𝑠

𝑃𝐸 ∶= in Teilperiode 𝑡 eingesetzt wird
0, sonst
1, wenn 𝑗 mit Qualifikation 𝑟 in Teilperiode 𝑡 von Standort 𝑠

,
𝑣 ≔ an Standort 𝑠 versetzt wird
0, sonst
Jedes vom Hauptstandort zu einem anderen Standort versetzte Individuum 𝑗 muss im Be-
trachtungszeitraum zum Hauptstandort zurückversetzt werden:
, ,
𝑣 ≤ 𝑣 ∀𝑗 ∈𝐽 (IM. 15)
∈ ∈ \{ } ∈ ∈ ∈ \{ } ∈
Sobald ein Individuum von einem anderen Standort zurück an den Hauptstandort versetzt
wird, muss diesem Individuum auch eine Stelle zugeordnet werden.
,
𝑣 ≤ 𝑃𝐸 ∀ 𝑗 ∈ 𝐽, 𝑠 ∈ 𝑆\{𝑠 = 1}, 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (IM. 16)
∈
15 Demografiesensitive
Personalplanung
15.1 Überblick
Seit einigen Jahren ist in den Industrienationen, nicht zuletzt auch in Deutschland, der sog.
Demografische Wandel in aller Munde. In den Debatten wird dieser Wandel von politischer
und gesellschaftlicher Seite aus jedoch häufig auf die isolierte Betrachtung der sich ändern-
den Altersstruktur („Die Bevölkerung wird immer älter und es gibt kaum noch junge Men-
schen.“) und der insgesamt sinkenden Gesamtbevölkerung reduziert (vgl. Gischer/Spengler
2008, S. 69 f.). Betrachten wir aber die Bedeutung des Wortes Demografie, stellen wir fest,
dass „dẽmos“ (griechisch) das Volk bezeichnet und „gráphein“ (griechisch) schreiben bedeutet
(vgl. Duden online (c), Stichwort: Demografie). Demografie ist also die Beschreibung der Be-
völkerung und beinhaltet daher (selbstverständlich) mehr als die Betrachtung der Alters-
struktur und Quantität. Grundsätzlich können wir daher Merkmale wie Einkommen, Kör-
pergröße, Haarfarbe, stratifikatorische Differenzierung (soziale Schichtung), Ausbildung,
etc. zur Klassifikation von Bevölkerungsgruppen heranziehen. Welche aus dem Kranz aller
möglichen Charakteristika für eine derartige Beschreibung zweckmäßig sind, hängt vom je-
weiligen Kontext ab. Wir stellen unten fest, dass Merkmale wie bspw. Haarfarbe und Kör-
pergröße eines Individuums aus betriebswirtschaftlicher Sicht in der Regel unerheblich und
somit zu vernachlässigen sind, Einkommen, soziale Schichtung und Ausbildung jedoch eine
wichtige Rolle für betriebswirtschaftliche Entscheidungen spielen können.
Demografische Entwicklungen werden durch diverse Größen und Phänomene beeinflusst.

Zu diesen zählen u.a. Kennzahlen wie Geburten- und Sterberaten, Wanderungssaldi und Er-
werbstätigenzahlen, aber auch (Mega-) Trends wie Internationalisierung (s. Kap. 14), Nach-
haltigkeit (s. Kap. 13), Digitalisierung (vgl. Kap. 16) oder Akademisierung. Abhängig von
den Ausprägungen dieser Faktoren verändert sich eine Bevölkerung sowohl mengenmäßig
als auch strukturell über die Zeit. Liegt in einer Volkswirtschaft bspw. die Geburten- lang-
fristig über der Sterberate und sind die Zuwanderungen größer als die Abwanderungen,
wird diese tendenziell eine steigende Einwohnerzahl sowie eine jünger und internationaler
werdende Bevölkerung aufweisen.
Aus Sicht der betrieblichen Personalplanung können Aspekte der demografischen Entwick-
lung auf (inter-) nationaler, regionaler und/oder innerbetrieblicher Ebene vor allem für die
Prognose und Gestaltung des Niveaus und der Struktur der Personalausstattung relevant
sein. Wir wollen im Folgenden ausgewählt aufzeigen, welche Auswirkungen demografische
Entwicklungen auf die Personalplanung eines Unternehmens haben können, um darauf auf-
bauend einen Ansatz zur demografiesensitiven Personalplanung entwickeln zu können.
https://doi.org/10.1007/978-3-658-25935-8_15
240 Demografiesensitive Personalplanung
15.2 Auswirkungen demografischer Entwicklungen

auf die betriebliche Personalplanung
Unternehmen können von demografischen Entwicklungen insofern betroffen sein, als dass
sich diese Veränderungen u.a. auf die Art (bspw. hinsichtlich der Qualifikationen) und An-
zahl (a) der auf dem Arbeitsmarkt verfügbaren oder (b) der dem Betrieb bereits zur Verfü-
gung stehenden Arbeitskräfte sowie auf (c) deren Anforderungen an Arbeitszeit- oder Ver-
gütungssysteme (Stichwort: Work-Life-Balance) auswirken.
Zu (a): Von Belang ist für den Betrieb hier weniger der Gesamtarbeitsmarkt, sondern viel
mehr relevante Teilarbeitsmärkte. Relevant sind diejenigen, die das betriebliche Rekrutie-
rungspotenzial beeinflussen und somit Arbeitskräfte enthalten, die hinreichende Qualifika-
tionen aufweisen, einer geeigneten Alterskohorte angehören und sich für eine Beschäftigung
in dem in Rede stehenden Betrieb interessieren (vgl. dazu auch Spengler 2017, S. 118 f.).
So werden oftmals vor allem 25-30-jährige Hochschulabsolventen zum Kreis der potentiellen
Trainees gezählt, während zur Besetzung von Führungspositionen eher Individuen ab 35
Jahren mit hinreichender Berufserfahrung in Frage kommen.
Unternehmen haben sich dann diesbezüglich Fragen nach dem aktuellen Ist-Zustand bzw.
nach möglichen zukünftigen Zustandsszenarien bzgl. dieser Potentiale zu stellen. Zu diesem
Zweck sind dann geeignete Diagnose- bzw. Prognosemodelle auszuwählen.
Zu (b): Analog zu (a) müssen sich Unternehmen intern damit beschäftigen, wie sich das Ni-
veau und die Struktur der aktuellen und der zukünftigen Personalausstattung gestaltet bzw.
gestalten wird. Diese Fragen lassen sich in der Personalwirtschaft dem Bereich der Personal-
struktur(-analyse) zuordnen. Kossbiel definiert eine Personalstruktur in diesem Kontext als
„eine Menge […] von Teilmengen […] der Menge […] aller Arbeitskräfte einer Organisation
[…]“ (Kossbiel 2004, Sp. 1640). Bezeichnen wir die Gesamtmenge aller Arbeitskräfte eines
Unternehmens mit 𝑃𝑆 und deren Teilmengen mit 𝑃𝑆 (𝑖 = 1, … , 𝐼), so muss eine Personal-
struktur zudem folgenden Postulaten genügen (vgl. Kossbiel 2004, Sp. 1640 i.V.m. Muche
1989, S.16):
Vollständigkeitspostulat:
𝑃𝑆 = 𝑃𝑆
Dieses Postulat bezieht sich auf die Vollständigkeit der Personalstruktur und fordert letztlich
(s. Beispiel auf S. 241 f.), dass jede Arbeitskraft mindestens einer Teilmenge 𝑃𝑆 zugehörig ist.
Disjunktivitätspostulat:
𝑃𝑆  𝑃𝑆 = ∅ ∀ 𝑖, 𝑗 = 1, … , 𝐼 mit 𝑖 ≠ 𝑗
Auswirkungen demografischer Entwicklungen auf die betriebliche Personalplanung 241
Dieses Postulat bezieht sich auf die Überschneidungsfreiheit der Personalstruktur und for-
dert, dass jede Arbeitskraft höchstens einer Teilmenge 𝑃𝑆 zugehörig ist.
Die Mächtigkeiten der 𝑃𝑆 bzw. der einzelnen 𝑃𝑆 interpretieren wir dann als die uns bereits
bekannten Personalausstattungen 𝑃𝐴 , wobei der Index 𝑖 in diesem Fall für einzelne Ausprä-
gungen oder Ausprägungskombinationen von Differenzierungskriterien für Personalstruk-
turen/-ausstattungen (wie Qualifikationen, Sektoren, Gehälter, Geschlecht, etc.) stehen kann.
Die konkrete Differenzierung der Teilpersonalstrukturen und -ausstattungen kann dabei für
eine Gesamtpersonalstruktur durchaus unterschiedlich erfolgen. Betrachten wir zur Ver-
deutlichung ein kurzes Beispiel:
Ein Unternehmen beschäftige zwölf Mitarbeiter 𝑀𝐴 , , wobei 𝑖 = 1, … , 12 den Kodierungsin-

dex für die einzelnen Mitarbeiter, 𝑟 = 1, … , 6 verschiedene Qualifikationsarten und 𝑠 =
1, … , 4 verschiedene Abteilungen des Unternehmens darstellen. Die gesamte Personalstruk-
tur des Unternehmens sei
, ,
𝑃𝑆 = 𝑀𝐴 , 𝑀𝐴 , 𝑀𝐴 , , 𝑀𝐴 ,
, 𝑀𝐴 , , 𝑀𝐴 ,
, 𝑀𝐴 ,
, 𝑀𝐴 ,
, 𝑀𝐴 ,
, 𝑀𝐴 ,
, 𝑀𝐴 ,
, 𝑀𝐴 ,
Das Unternehmen kann seine 𝑃𝑆 nun auf diverse Weisen differenzieren (vgl. Abbildung
15.1):
Abbildung 15.1 Venn-Diagramm zur Differenzierung der Personalstruktur
𝑟=5 , 𝑠=1 ,
𝑀𝐴 𝑀𝐴 𝑟=6
𝑟=1
𝑀𝐴 , 𝑟=2 ,
𝑀𝐴
𝑀𝐴 , , 𝑠=4
, 𝑀𝐴
𝑀𝐴
,
𝑀𝐴
𝑠=2
,
𝑀𝐴 , 𝑀𝐴
𝑠=3 𝑟=3
,
𝑀𝐴 𝑀𝐴 ,
𝑟=4
Differenziert das Unternehmen die Teilpersonalstrukturen 𝑃𝑆 nach Abteilungen (dargestellt

durch Ellipsen in Abbildung 15.1), ergibt sich folgendes Bild:
, ,
𝑃𝑆 = 𝑀𝐴 , 𝑀𝐴 𝑃𝑆 = 𝑀𝐴 , , 𝑀𝐴 ,
, 𝑀𝐴 ,
, , , , , , ,
𝑃𝑆 = 𝑀𝐴 , 𝑀𝐴 , 𝑀𝐴 , 𝑀𝐴 𝑃𝑆 = 𝑀𝐴 , 𝑀𝐴 , 𝑀𝐴
𝑃𝑆 = 𝑃𝑆  𝑃𝑆  𝑃𝑆  𝑃𝑆 =
, ,
𝑀𝐴 , 𝑀𝐴 , 𝑀𝐴 , , 𝑀𝐴 ,
, 𝑀𝐴 ,
, 𝑀𝐴 ,
, 𝑀𝐴 ,
, 𝑀𝐴 ,
, 𝑀𝐴 ,
, 𝑀𝐴 ,
, 𝑀𝐴 ,
, 𝑀𝐴 ,
= 𝑃𝑆
𝑃𝑆  𝑃𝑆 = ∅ 𝑃𝑆  𝑃𝑆 = ∅ 𝑃𝑆  𝑃𝑆 = ∅
𝑃𝑆  𝑃𝑆 = ∅ 𝑃𝑆  𝑃𝑆 = ∅ 𝑃𝑆  𝑃𝑆 = ∅
|𝑃𝑆 | = 2 = 𝑃𝐴 |𝑃𝑆 | = 3 = 𝑃𝐴 |𝑃𝑆 | = 4 = 𝑃𝐴 |𝑃𝑆 | = 3 = 𝑃𝐴
|𝑃𝑆 | = 12 = 𝑃𝐴
Bei einer Differenzierung der Teilpersonalstrukturen 𝑃𝑆 nach Qualifikationen (dargestellt

durch die gestrichelten Rechtecke in Abbildung 15.1), ergibt sich hingegen:
, , ,
𝑃𝑆 = 𝑀𝐴 , 𝑀𝐴 𝑃𝑆 = 𝑀𝐴
, , , ,
𝑃𝑆 = 𝑀𝐴 , 𝑀𝐴 , 𝑀𝐴 𝑃𝑆 = 𝑀𝐴
, , , , ,
𝑃𝑆 = 𝑀𝐴 , 𝑀𝐴 , 𝑀𝐴 , 𝑀𝐴 𝑃𝑆 = 𝑀𝐴
𝑃𝑆 = 𝑃𝑆  𝑃𝑆  𝑃𝑆  𝑃𝑆  𝑃𝑆  𝑃𝑆 =
, ,
𝑀𝐴 , 𝑀𝐴 , 𝑀𝐴 , , 𝑀𝐴 ,
, 𝑀𝐴 ,
, 𝑀𝐴 ,
, 𝑀𝐴 ,
, 𝑀𝐴 ,
, 𝑀𝐴 ,
, 𝑀𝐴 ,
, 𝑀𝐴 ,
, 𝑀𝐴 ,
= 𝑃𝑆
𝑃𝑆  𝑃𝑆 = ∅ 𝑃𝑆  𝑃𝑆 = ∅ 𝑃𝑆  𝑃𝑆 = ∅ 𝑃𝑆  𝑃𝑆 = ∅
𝑃𝑆  𝑃𝑆 = ∅ 𝑃𝑆  𝑃𝑆 = ∅ 𝑃𝑆  𝑃𝑆 = ∅
|𝑃𝑆 | = 2 = 𝑃𝐴 |𝑃𝑆 | = 3 = 𝑃𝐴 |𝑃𝑆 | = 4 = 𝑃𝐴 |𝑃𝑆 | = 1 = 𝑃𝐴
|𝑃𝑆 | = 1 = 𝑃𝐴 |𝑃𝑆 | = 1 = 𝑃𝐴
|𝑃𝑆 | = 12 = 𝑃𝐴
Die dritte Strukturierungsmöglichkeit in diesem Beispiel wäre die Differenzierung der Teil-
Ein Modell zur demografiesensitiven Personalplanung 243
personalstrukturen bzw. -ausstattungen 𝑃𝑆 bzw. 𝑃𝐴 nach Qualifikationen und Abteilun-

gen, deren Darstellung wir an dieser Stelle aus Vereinfachungsgründen auslassen.
Die strukturierte Erfassung demografischer Merkmale des Personals eines Unternehmens

kann dementsprechend so erfolgen, dass die einzelnen Teilpersonalstrukturen z.B. nach den
oben erwähnten Gesichtspunkten differenziert werden. Darauf aufbauend kann sodann die
aktuelle Struktur sowie das aktuelle Niveau der Personalausstattung festgestellt werden. Für
die Vorhersage der zukünftigen Entwicklung der Personalstruktur kann bspw. wiederum
auf die oben (s. Kap. 5) beschriebenen Prognosemodelle zurückgegriffen werden (vgl. bspw.
Peters et al. 2010, S. 46 ff.).
Zu (c): Eigenschaften der unter (a) und (b) beschriebenen Teile der Bevölkerung wirken sich
in der Regel auf die Bedürfnisse der jeweils zugehörigen Individuen, hier also die der aktu-
ellen und zukünftigen Mitarbeiter eines Unternehmens, aus. Dementsprechend ist es aus be-
triebswirtschaftlicher Sicht sinnvoll, diese Bedürfnisse zu kennen, um kompatible Vorausset-
zungen innerhalb der Organisation zu schaffen. Heutzutage werden viele dieser Bedürfnisse
unter dem angestrebten Ziel einer zufriedenstellenden Work-Life-Balance, also einem ausge-
wogenen Zustand zwischen Beruflichem und Privatem, subsumiert.
Im folgenden Abschnitt wollen wir exemplarisch ein Personalplanungsmodell unter Berück-

sichtigung demografischer Aspekte der Personalstruktur vorstellen.
15.3 Ein Modell zur demografiesensitiven

Personalplanung
Wir wollen nun einen demografische Aspekte berücksichtigenden Personalplanungsansatz
konstruieren. Durch das Modell soll dabei bestimmt werden, wie durch geeignete Einstel-
lungs- und Entlassungsmaßnahmen die zur Erledigung der Betriebsaufgaben hinreichende
Personalausstattung unter Vorgabe bestimmter struktureller Anforderungen gestaltet wer-
den kann.
Wir gehen vor diesem Hintergrund davon aus, dass die Differenzierung der Teilpersonal-
ausstattungen 𝑃𝐴 nach der Qualifikationsart 𝑟, dem Geschlecht 𝑔, der Nationalität 𝑛 und
dem Alter 𝑎 der Arbeitskräfte sowie der betrachteten Teilperiode 𝑡 erfolgt. Demografische
Veränderungen innerhalb der Personalausstattungen werden in Analogie zu Markov-Ket-
ten-Modellen (s. Kap. 11.3) über entsprechende Übergangs- und Verbleibenswahrscheinlich-
keiten berücksichtigt. Zudem soll sichergestellt werden, dass für bestimmte Teilpersonalaus-
stattungen zuvor festgelegte Mindestniveaus nicht unterschritten werden. Die zu deckenden
Bedarfe werden wie gewohnt nach den Tätigkeitsarten 𝑞 und ebenfalls nach den Teilperio-
den 𝑡 unterschieden. Wir formulieren einen Ansatz aus der Klasse der reinen Personalbereit-
stellungsmodelle.

Mengen
𝐴 ≔ {𝑎|𝑎 = 1,2, … , 𝐴} Menge der Alterskohorten
𝐺 ≔ {𝑔|𝑔 = 𝑤, 𝑚} Menge der Geschlechter (weiblich/männlich)
𝑁 ≔ {𝑛|𝑛 = nat, int} Menge der Nationalitäten (national/international)
𝑅 ≔ {𝑟|𝑟 = 1,2, … , 𝑅} Menge der Arbeitskräftearten (Qualifikationsarten)
𝑇 ≔ {𝑡|𝑡 = 1,2, … , 𝑇} Menge der Teilperioden
𝑅 ≔ Menge der Arbeitskräftearten 𝑟, die zur Erledigung von Tätigkeiten der Art 𝑞
bereitgestellt werden können
𝑅 ≔ Menge der Arbeitskräftearten 𝑟 , die zur Arbeitskräfteart 𝑟 geschult werden

können
𝑅∗ ≔ Menge der Arbeitskräftearten 𝑟 ∗ , die durch Schulung von Arbeitskräfteart 𝑟 aus

erreicht werden können
Daten
𝑃𝐴 ≔ Personalanfangsausstattung mit Arbeitskräften der Art 𝑟 und des Geschlechts 𝑔

mit Nationalität 𝑛 in der Alterskohorte 𝑎
𝑃𝐵 ≔ Personalbedarf für die Erledigung von Tätigkeiten der Art 𝑞 in Teilperiode 𝑡
𝑝 ≔ minimaler Anteil von Arbeitskräften der Alterskohorte 𝑎 an der Gesamtpersonal-

ausstattung (in Prozent)
𝑝 ≔ minimaler Anteil von internationalen Arbeitskräften an der Gesamtpersonalaus-

stattung (in Prozent)
𝑝 ≔ minimaler Anteil von Arbeitskräften des Geschlechts 𝑔 an der Gesamtpersonal-

ausstattung (in Prozent)
𝑝 , ≔ Wahrscheinlichkeit, dass eine Arbeitskraft der Art 𝑟 und des Geschlechts 𝑔 mit
Nationalität 𝑛 aus Alterskohorte 𝑎 − 1 zu Alterskohorte 𝑎 übergeht
𝑝 , ≔ Wahrscheinlichkeit, dass eine Arbeitskraft der Art 𝑟 und des Geschlechts 𝑔

mit Nationalität 𝑛 aus Alterskohorte 𝑎 zu Alterskohorte 𝑎 + 1 übergeht
𝑝 ,
≔ Wahrscheinlichkeit, dass eine Arbeitskraft und des Geschlechts 𝑔 mit Nationalität
𝑛 aus Alterskohorte 𝑎 (durch Schulung) von Arbeitskräfteart 𝑟 zu Arbeitskräfte-
art 𝑟 übergeht
Ein Modell zur demografiesensitiven Personalplanung 245
𝑝 , ∗ ≔ Wahrscheinlichkeit, dass eine Arbeitskraft und des Geschlechts 𝑔 mit Nationalität

𝑛 aus Alterskohorte 𝑎 (durch Schulung) von Arbeitskräfteart 𝑟 zu Arbeitskräfte-
art 𝑟 ∗ übergeht
𝑤 ≔ Wahrscheinlichkeit, dass eine Arbeitskraft der Art 𝑟 und des Geschlechts 𝑔 mit
Nationalität 𝑛 aus Alterskohorte 𝑎 das Unternehmen eigenständig verlässt oder
in Ruhestand geht
𝑓 ≔ Anzahl zu entlassender Arbeitskräfte der Art 𝑟 und des Geschlechts 𝑔 mit Natio-
nalität 𝑛 in der Alterskohorte 𝑎 in Teilperiode 𝑡
ℎ ≔ Anzahl einzustellender Arbeitskräfte der Art 𝑟 und des Geschlechts 𝑔 mit Natio-
nalität 𝑛 in der Alterskohorte 𝑎 in Teilperiode 𝑡
𝑃𝐴 ≔ (Personal-) Ausstattung mit Arbeitskräften der Art 𝑟 und dem Geschlecht 𝑔 mit
Nationalität 𝑛 in der Alterskohorte 𝑎 in Teilperiode 𝑡
Zielfunktion:
𝑃𝐴 → min! (ZDM. 1)
∈ ∈ ∈ ∈ ∈
[Lies: Minimiere das Gesamtniveau der Personalausstattung!]
u.d.N.:
𝑃𝐵 ≤ 𝑃𝐴 ∀ 𝑄 ∈ 𝕻 𝑄 \{∅}, 𝑡 ∈ 𝑇 (DM. 1)
∈ r ∈ Rq ∈ ∈ ∈
q∈Qˆ
[Lies: Die isolierten Teilpersonalbedarfe und alle möglichen Kombinationen dieser Teilper-
sonalbedarfe sind in jeder Teilperiode jeweils mit der Personalausstattung nach Maßgabe des
impliziten Ansatzes abzustimmen.]

𝑃𝐴 = 1−𝑤 ∙ 𝑃𝐴 +
+ℎ −𝑓 +
+𝑝 , ∙ 𝑃𝐴 −𝑝 , ∙ 𝑃𝐴 +
+ 𝑝 ,
∙ 𝑃𝐴 − 𝑝 , ∗ ∙ 𝑃𝐴 ∀ 𝑟 ∈ 𝑅, 𝑛 ∈ 𝑁, 𝑔 ∈ 𝐺, 𝑎 ∈ 𝐴, 𝑡 ∈ 𝑇 (DM. 2)
∗∈ ∗
∈
[Lies: Jede Teilpersonalausstattung setzt sich in jeder Teilperiode aus der Ausstattung der
Vorperiode zzgl. der eingestellten, der aus einer anderen Alterskohorte und der durch Schu-
lung hinzukommenden Arbeitskräfte sowie abzgl. der entlassenen, der autonom ausschei-
denden, der in eine andere Alterskohorte übergehenden und der durch Schulung wechseln-
den Arbeitskräfte zusammen.]
Untergrenzen für die Alterskohorten:
𝑃𝐴 ≥𝑝 ∙ 𝑃𝐴 ∀ 𝑎 ∈ 𝐴, 𝑡 ∈ 𝑇 (DM. 3)
∈ ∈ ∈ ∈ ∈ ∈ ∈
[Lies: Die nach Alterskohorten differenzierten Teilpersonalausstattungen dürfen in jeder

Teilperiode zahlenmäßig nicht geringer als ein zuvor festgelegter Anteil an der Gesamtper-
sonalausstattung sein.]
Untergrenze für die internationalen Arbeitskräfte:
𝑃𝐴 ≥𝑝 ∙ 𝑃𝐴 ∀𝑡 ∈𝑇 (DM. 4)
∈ ∈ ∈ ∈ ∈ ∈ ∈
[Lies: Die Teilpersonalausstattung an internationalen Arbeitskräften darf in jeder Teilperiode

zahlenmäßig nicht geringer als ein zuvor festgelegter Anteil an der Gesamtpersonalausstat-
tung sein.]
Untergrenzen für Geschlechteranteile:
𝑃𝐴 ≥𝑝 ∙ 𝑃𝐴 ∀ 𝑔 ∈ 𝐺, 𝑡 ∈ 𝑇 (DM. 5)
∈ ∈ ∈ ∈ ∈ ∈ ∈
[Lies: Die nach Geschlechtern differenzierten Teilpersonalausstattungen dürfen in jeder Teil-

periode zahlenmäßig nicht geringer als ein zuvor festgelegter Anteil an der Gesamtpersonal-
ausstattung sein.]
𝑃𝐴 ,ℎ ,𝑓 ≥0 ∀ 𝑟 ∈ 𝑅, 𝑛 ∈ 𝑁, 𝑔 ∈ 𝐺, 𝑎 ∈ 𝐴, 𝑡 ∈ 𝑇 (DM. 6)

Überblick 247
16 Personalplanung in Zeiten der

Digitalisierung
16.1 Überblick
Seit dem Ende des 20. Jahrhunderts wird die sog. Digitalisierung intensiv und immer häufi-
ger bezüglich ihrer Auswirkungen auf Gesellschaft, Politik und Wirtschaft diskutiert. Dabei
kommt die Auseinandersetzung mit dem Begriff selbst oft zu kurz. Beschäftigt man sich et-
was eingehender sowohl mit der wörtlichen Bedeutung von Digitalisierung als auch mit den
Verwendungskontexten, kann man relativ schnell feststellen, dass die zweckmäßige Defini-
tion dieses Terminus mithin nicht trivial und dessen Abgrenzung zu verwandten Begriffen
wie bspw. analog oder nicht-digital anspruchsvoll ist. Wir wollen daher – mit dem Fokus auf
personalwirtschaftliche Aspekte der Digitalisierung und ohne Anspruch auf Vollständigkeit
– nur kurz auf (a) wesentliche Inhalte einer Definition des Digitalisierungsbegriffes sowie auf
(b) ausgewählte digitale Technologien eingehen, um darauf aufbauend die Auswirkungen
der Digitalisierung auf die Personalwirtschaft im Allgemeinen sowie die betriebliche Perso-
nalplanung im Speziellen erläutern zu können. Für eine tiefgründige und umfassendere Be-
schäftigung mit Digitalisierung sei auf die einschlägige Fachliteratur verwiesen (vgl. bspw.
Mithas et al. 2013, Lasi et al. 2014 und Arntz et al. 2016).
Zu (a): Das Wort „digital“ geht auf die lateinischen Worte „digitus“ (Finger) bzw. „digitalis“
(fingerdick, zum Finger gehörig) sowie auf das englische Wort „digit“ ([zum Zählen benutz-
ter] Finger, Ziffer) zurück (vgl. DWDS (a), Stichwort: digital). In Wörterbüchern findet man
zudem Erläuterungen wie „(Medizin) mithilfe des Fingers erfolgend“, „(Physik) in Stufen
erfolgend; in Einzelschritte aufgelöst“, „(Technik) in Ziffern darstellend; in Ziffern darge-
stellt“ (Duden online (d), Stichwort: digital), „auf der Umwandlung von Signalen in Folgen
binärer Zeichen beruhend“ oder „nicht real, virtuell, vom Computer oder im Internet simu-
liert“ (DWDS (a), Stichwort: digital). Im Zuge der in unserem Kontext diskutierten Ausle-
gung der Digitalisierung sind dabei vor allem die zweite, dritte, vierte und fünfte Begriffsbe-
schreibung relevant. In diesem Sinne geht es bei Digitalem also um die stufenweise (oder
diskrete) sowie ziffernmäßige (also in Zahlen erfolgende) Darstellung. In der Welt der Com-
puter sind damit die diskreten Zahlen von Binärcodes, also Elemente mit den Ausprägungen
Null oder Eins (Bits; [Bit ist ein Kunstwort aus „binary digit“ (engl.), also binäre Ziffer (Du-
den online (e), Stichwort: Bit).]) bzw. deren Kombinationen (Bytes; 8 Bits sind 1 Byte) ge-
meint. Dementsprechend ist Digitales all jenes, das computerbasiert in Form von Binärcodes
erzeugt und verarbeitet wird.
Der Akt des Digitalisierens kann sich dann zum einen dadurch auszeichnen, dass von in
nicht-digitaler Form Bestehendem eine digitale Version erzeugt wird. Wir können hierbei
bspw. an die Digitalisierung von Ton- oder Bildaufnahmen auf Kassetten, von Handschrift-
https://doi.org/10.1007/978-3-658-25935-8_16
248 Personalplanung in Zeiten der Digitalisierung
dokumenten oder an die Online-Bestellung von Waren denken. Zum anderen kann Digitali-
sieren aber auch bedeuten, etwas Neues digital zu erschaffen. Beispiele hierfür sind Compu-
terspiele, Softwareprogramme oder die Speicherung von Daten in sog. Clouds. Es ist aber
auch offensichtlich, dass das Digitalisieren stets nicht-digitale Komponenten, wie bspw. Teile
der Hardware und menschliches Zutun, erfordert.
Digitalisierung beinhaltet beide Arten des Digitalisierens, kann dabei jedoch in unterschied-
lichen Formen in Erscheinung treten. Als erstes können wir uns Digitalisierung als extern
gegebene Bedingungen unserer Umwelt vorstellen. Diese können sich bspw. rechtlich als
Pflicht zur elektronischen Dokumentation (bspw. im Rahmen des sog. E-Government-Geset-
zes), gesellschaftlich als Erreichbarkeitsbarrieren (Stichwort: „Generation Smartphone“),
technisch als Möglichkeiten und Grenzen der Realisierbarkeit oder ökonomisch als Wettbe-
werbsbedingungen (bspw. auf Online-Märkten) äußern. Zudem können Digitalisierungs-
ziele formuliert werden. Diesbezüglich könnten Unternehmen anstreben, einen oder meh-
rere Prozess(e), ganze Bereiche oder Abteilungen sowie das Unternehmen selbst zu digitali-
sieren. Auf Basis der formulierten Ziele sind dann entsprechende Handlungsalternativen zur
Digitalisierung zu entwickeln. Solche könnten bspw. die Entwicklung bzw. der Erwerb einer
Warenbestellsoftware oder digitaler Produktionsrobotik (auf diesen Begriff gehen wir unten
noch intensiver ein) sein. Zuletzt münden die aufgrund der formulierten Ziele ausgewählten
(und realisierten) Digitalisierungsmaßnahmen in digitalen Wirkungen. Einfach ausgedrückt
können wir dann konstatieren: Etwas ist (teilweise) digitalisiert oder eben (teilweise) nicht
digitalisiert.
Gelten entsprechende Bedingungen der Digitalisierung für die Umwelt eines Unternehmens
und verhalten sich (zumindest einige) Akteure dieser Umwelt in Bezug auf ihre Zielsetzung
und Alternativenwahl in diesem Sinne, können wir sagen: Das Unternehmen agiert in Zeiten
der Digitalisierung und sollte die damit einhergehenden Aspekte in seiner Planung im All-
gemeinen und seiner Personalplanung im Speziellen berücksichtigen.
Zu (b): Im Zuge von Digitalisierung werden Sie oft moderne Begriffe wie „Internet der
Dinge“, „Cyber-Physische Systeme“, „Big Data“ oder „Cloud Computing“ etc. hören (vgl.
Arntz et al. 2016). Wir wollen im Folgenden kurz auf eine Auswahl dieser Schlagwörter ein-
gehen und deren wesentliche Zusammenhänge erläutern. Als Cyber-Physische Systeme [Wir
erinnern uns: Ein System ist eine Menge von Elemente, zwischen denen Beziehungen beste-
hen.] bezeichnen wir solche, in denen materielle Objekte (in der Regel mechanische oder
elektronische, z.B. in Form von Maschinen) durch ein Netzwerk miteinander verbunden sind
(vgl. Arntz et al. 2016, Lee 2010 und Anderl 2014). Es interagiert also Physisches mit Digita-
lem. Dadurch wird Kommunikation zwischen Mensch und Maschine oder zwischen Ma-
schine und Maschine in Echtzeit ermöglicht. Das bedeutet, dass wir zu jeder Zeit von nahezu
jedem beliebigen Ort aus Maschinen kontrollieren und steuern können, und dass Maschinen
sich ebenso gegenseitig Informationen oder Aufträge übermitteln können. Beispiele für diese
Systeme sind Drohnen sowie Pflege-, Transport- oder Fertigungsroboter.
„Cyber“ stammt vom englischen Substantiv Cybernetics (Kybernetik, Steuerungskunst, Re-

gelungstechnik) ab. Die Voraussetzung für die Nutzung Cyber-Physischer Systeme ist das
Auswirkungen der Digitalisierung auf die betriebliche Personalplanung 249
sog. Internet der Dinge. Dieses ermöglicht es uns überhaupt, physische Objekte durch die
Zuweisung einer eigenen IP-Adresse digital anzusprechen (vgl. Anderl 2014 und Arntz et al.
2016). Eine IP-Adresse können wir uns dabei als „digitale Hausnummer“ in einem Compu-
ternetzwerk vorstellen. Durch diese wissen wir also genau, wo wir ein Objekt im Netzwerk
finden und können es dementsprechend adressieren. Das bedeutet, dass wir in der heutigen
Zeit Dinge wie Glühbirnen, Heizkörper oder Waschmaschinen in ein Computernetzwerk
aufnehmen können, indem wir diesen eine solche Adresse zuweisen. Wir sind dann (bspw.
über ein Smartphone) in der Lage, das Licht, die Heizung oder eine Waschmaschine auch
von unterwegs ein- bzw. auszuschalten oder diese Vorgänge für einen späteren Zeitpunkt/-
raum zu terminieren.
Aufgrund der fortschreitenden Digitalisierung und der damit einhergehenden Vernetzung

von Gegenständen und Systemen entstehen (oft beiläufig) riesige Datenmengen in den je-
weiligen Speichern der Computer (vgl. Arntz et al. 2016). Diese werden Big Data genannt.
Auf der einen Seite bieten diese Potenziale, die darin enthaltenden Informationen zu analy-
sieren und bspw. für die Optimierung der Produktionskontrolle und -steuerung zu nutzen.
Auf der anderen Seite gehen damit auch zu lösende Probleme wie bspw. bezüglich der Spei-
cherung und der Gewährleistung des Datenschutzes einher.
Eine Möglichkeit der Speicherung (sehr großer) Datenmengen ist das sog. Cloud Computing.
Dieses beinhaltet sowohl das Bereitstellen von dezentralen digitalen Speichern als auch das
Betreiben der entsprechenden Hardware (vgl. Armbrust et al. 2010). Auf einer Cloud können
wir zeit- und ortsunabhängig Daten über das Internet speichern und somit auch überall und
jederzeit wieder darauf zugreifen.
Im Folgenden zeigen wir, wie sich die dargestellten Aspekte der Digitalisierung und die aus
ihr hervorgehenden Technologien speziell auf die Personalplanung eines Unternehmens
auswirken (können).
16.2 Auswirkungen der Digitalisierung auf die

betriebliche Personalplanung
Die Angst vor arbeitsplatzvernichtenden Wirkungen technologischen Wandels gibt es seit
Beginn der Industrialisierung. Man findet sie auch im Zeitalter der Digitalisierung vor.
Im Kern ist damit gemeint, dass aufgrund der fortschreitenden Digitalisierung menschliche
Arbeit zunehmend durch digitale Technologien ersetzbar wird und Unternehmen immer
weniger Personal zur Erledigung ihrer Betriebsaufgaben benötigen. Wir werden im Folgen-
den zeigen, dass die Auswirkungen der Digitalisierung zwar in der Tat dazu führen (kön-
nen), dass Teile (sic!) der Aufgaben eines Unternehmens bereits jetzt bzw. zukünftig durch
entsprechende Technologien erledigt werden (können), dies aber weder immer so ist noch
so sein muss.
Grundsätzlich können sich die oben geschilderten Phänomene der Digitalisierung auf das
Produktionsprogramm bzw. den Produktionsablauf eines Unternehmens auswirken. Auf-

grund dessen, dass das betriebliche Personal als dispositiver bzw. elementarer Produktions-
faktor eines Unternehmens Teil der Ablaufplanung ist, konzentrieren wir uns im Folgenden
auf diesen Teilbereich. Die Auswirkungen auf das Produktionsprogramm und die korres-
pondierende Aufnahme digitaler Produkte (vgl. hierzu bspw. Luxem 2001, Nylén/Holm-
ström 2015 und Armengaud et al. 2017) wollen wir hier außen vorlassen.
Wie oben bereits angesprochen, kann Digitalisieren zum einen das Erschaffen einer digitalen
Version von bereits Bestehendem und zum anderen die Erzeugung von etwas Neuem be-
deuten. So kann im Rahmen des Produktionsablaufs ebenso von der Digitalisierung bereits
vorhandener sowie von der Entwicklung neuer digitaler Produktionsfaktoren gesprochen
werden. Im ersten Fall geht es dann bspw. um die Digitalisierung der Warenbestellung (via
entsprechender Software), während im zweiten Fall bspw. digitale Robotik (z.B. Pflegerobo-
ter oder Robo Advisor) zum Einsatz kommen. Nun kann der Produktionsfaktor menschliche
Arbeitskraft selbstverständlich nicht digitalisiert werden. Jedoch können auf der einen Seite
zuvor von Menschen nicht-digital ausgeführte Arbeitsschritte zukünftig (a) von diesen digi-
tal durchzuführen sein oder (b) ausschließlich von digitalen Produktionsfaktoren erledigt
werden. Betrachten wir dazu die folgenden Beispiele in einer Pflegeeinrichtung:
Zu (a): Die Dokumentation der Pflege erfolgte bisher in Papierform und wird zukünftig di-
gital durchgeführt. Trotz dieser Umstellung sind weiterhin die Pflegekräfte für die Doku-
mentation zuständig. Allerdings werden in Zukunft die Produktionsfaktoren Papier, Akten-
ordner, Stifte, etc. durch ein digitales Dokumentationssystem und Computer ersetzt.
Zu (b) Das Lagern und Aufrichten von Bewohnern oder Patienten der Pflegeeinrichtung
wird zukünftig nicht mehr von Pflegekräften, sondern ausschließlich von Pflegerobotern
übernommen.
Beispiel (a) verdeutlicht, dass die Digitalisierung eines Prozesses nicht vollständig, sondern
auch nur partiell erfolgen kann (periphere Substitution). Jedoch, auch wenn menschliche Ar-
beitskraft an dieser Stelle nicht durch Digitalisierung in Gänze ersetzt wird, führt diese zu
einer nicht unwesentlichen Änderung des Anforderungsprofils der Tätigkeit. In Beispiel (b)
hingegen findet eine solche (totale) Substitution statt. Allerdings wird man schnell feststel-
len, dass zwar die Erledigung der Aufgaben Lagern und Aufrichten nicht mehr in den Zu-
ständigkeitsbereich des Pflegepersonals fällt, aber neue Aufgabenfelder wie bspw. die Pro-
grammierung, die Überwachung, die Wartung sowie das Aufladen der Roboter entstehen.
Die Digitalisierung der Produktionsabläufe bedingt also Veränderungen der betrieblichen

Aufgabenstrukturen, -umfänge sowie Aufgabenerledigungen. Ein Unternehmen hat vor die-
sem Hintergrund grundsätzlich zu klären und ökonomisch zu begründen, ob und inwieweit
Produktionsfaktoren zu digitalisieren sind bzw. digitale Produktionsfaktoren zu erwerben
und zu nutzen sind. Zudem stellt sich aus personalwirtschaftlicher Sicht die Frage nach sich
ändernden Anforderungsprofilen sowie nach neu entstehenden Aufgabentypen und damit
einhergehenden Anpassungen der Qualifikationsprofile des eigenen Personals (bspw. durch
Schulungen). Grundsätzlich können diese Überlegungen aus personalplanerischer Sicht in
Ein Modell zur simultanen Investitions- und Personalplanung in Zeiten der Digitalisierung 251
Modellen der simultanen Produktionsablauf- und Personalplanung, der simultanen Investi-

tions- und Personalplanung, der reinen Personalbereitstellungs-, der reinen Personalverwen-
dungs- oder der reinen Personaleinsatzplanung münden. Erstgenannte thematisieren simul-
tane Entscheidungen bezüglich der zu erwerbenden und einzusetzenden digitalen Produk-
tionsfaktoren sowie der Personalbereitstellung und -verwendung. Isolierte Ansätze der Be-
reitstellungs-, Verwendungs- und Einsatzplanung zielen hingegen auf die Optimierung der
drei personalwirtschaftlichen Problembereiche unter Berücksichtigung einer gegebenen
Ausstattung digitaler Produktionsfaktoren ab.
Zum aktuellen Zeitpunkt existieren, zumindest nach unserem Kenntnisstand, im wissen-

schaftlichen Schrifttum keine Ansätze zu derartigen Problemen. Aus diesem Grund werden
wir im folgenden Abschnitt exemplarisch ein Modell zur simultanen Investitions- und Per-
sonalplanung in Zeiten der Digitalisierung vorschlagen.
16.3 Ein Modell zur simultanen Investitions- und

Personalplanung in Zeiten der Digitalisierung
Wir gehen im Folgenden davon aus, dass ein Unternehmen gleichzeitig darüber zu entschei-
den hat, ob in eine oder mehrere digitale Technologien investiert wird, inwieweit diese ggf.
zur Deckung der gegebenen betrieblichen Tätigkeitsbedarfe herangezogen werden und in-
wieweit Arbeitskräfte verschiedener Arten dafür bereitgestellt werden. Dabei betrachten wir
zwei Arten von Technologien. Zum einen sind dies digitale Technologien 𝑑 ∈ 𝐷, die für die
digitale Erledigung von zuvor nicht-digital durchzuführenden Tätigkeiten benötigt werden
und zu Produktionssteigerungen der für diese Tätigkeiten eingesetzten Arbeitskräfte führen
(bspw. Dokumentationssoftware). Zum anderen berücksichtigen wir digitale Roboter 𝑒 ∈ 𝐸,
die Arbeitskräfte (teilweise) substituieren können, jedoch die Erledigung einer neuen Tätig-
keitsart (bspw. deren Überwachung) erfordern. Dementsprechend werden zwei grundle-
gende Mengen von Tätigkeitsarten unterschieden. Die Menge 𝑄 beinhaltet alle (aktuell)
∗
durchzuführende Tätigkeitsarten 𝑞 und die Menge 𝑄 umfasst alle durch den (potentiellen)
Einsatz digitaler Technologien hinzukommenden Tätigkeitsarten 𝑞∗ . 𝑄 wird zudem in meh-
rere Teilmengen differenziert:
1. Teilmengen mit Tätigkeitsarten 𝑞, für deren Erledigung digitale Technologien der

Art 𝑑 unterstützend verwendet werden können (𝑞 ∈ 𝑄 ⊆ 𝑄 ∀ 𝑑 ∈ 𝐷).
2. Teilmengen mit Tätigkeitsarten 𝑞, für deren Erledigung digitale Technologien der
Art 𝑒 substituierend verwendet werden können (𝑞 ∈ 𝑄 ⊆ 𝑄 ∀ 𝑒 ∈ 𝐸).
3. Teilmenge mit Tätigkeitsarten 𝑞, für deren Erledigung weder digitale Technologien
der Art 𝑑 unterstützend noch digitale Technologien der Art 𝑒 substituierend ver-
wendet werden können ∀ 𝑞 ∈ 𝑄\  𝑄   𝑄 .
d ∈D e∈E
Das Unternehmen muss bei der Planung zudem beachten, dass für die Verwendung der
zweiten Art von Technologien entweder das vorhandene Personal geschult oder (in begrenz-
tem Umfang) neues Personal eingestellt werden muss.
Mengen
𝐷 ≔ {𝑑|𝑑 = 1,2, … , 𝐷} Menge der den menschlichen Handlungsvollzug unterstützen-

den digitalen Technologien
𝐸 ≔ {𝑒|𝑒 = 1,2, … , 𝐸} Menge der menschlichen Arbeit substituierenden digitalen Tech-

nologien

∗
𝑄 ≔ {𝑞∗ |𝑞∗ = 𝑄 + 1, 𝑄 + 2, … , 𝑄 ∗ } Menge der Tätigkeitsarten, die durch Einsätze digita-
ler Technologien anfallen
𝑇 ≔ {𝑡|𝑡 = 1,2, … , 𝑇} Menge der Teilperioden
𝐷 ≔ Menge der digitalen Technologien 𝑑, die unterstützend zur Erledigung von Tä-
tigkeiten der Art 𝑞 bereitgestellt werden können
𝐸 ≔ Menge der menschliche Arbeit substituierenden digitalen Technologien 𝑒, die

zur Erledigung von Tätigkeiten der Art 𝑞 bereitgestellt werden können
𝑄 ≔ Menge der Tätigkeitsarten 𝑞, für die digitale Technologien der Art 𝑑 verwendet
werden können
𝑄 ≔ Menge der Tätigkeitsarten 𝑞, für die digitale Technologien der Art 𝑒 verwendet
werden können
𝑄 ≔ Menge der Tätigkeitsarten 𝑞, für die Arbeitskräfteart 𝑟 verwendet werden kann
𝑅∗ ≔ Menge der Arbeitskräftearten 𝑟 ∗ , zu denen Arbeitskräfte der Art 𝑟 hin geschult

werden können
Daten
𝐸𝑍 ≔ Einzahlungen in Teilperiode 𝑡
𝐵𝐷 ≔ Betriebs- und Instandhaltungsauszahlungen, die mit einer digitalen Technologie

der Art 𝑑 pro Teilperiode 𝑡 verbunden sind
𝐵𝐸 ≔ Betriebs- und Instandhaltungsauszahlungen, die mit einer digitalen Technologie

der Art 𝑒 pro Teilperiode 𝑡 verbunden sind
𝐼𝐷 ≔ Anschaffungsauszahlung, die mit dem Erwerb einer digitalen Technologie der

Art 𝑑 in Teilperiode 𝑡 verbunden ist
𝐼𝐸 ≔ Anschaffungsauszahlung, die mit dem Erwerb einer digitalen Technologie der

Art 𝑒 in Teilperiode 𝑡 verbunden ist
𝑖 ≔ Zinssatz
𝐺𝐾 ≔ Gehaltsauszahlungen, die für eine Arbeitskraft der Art 𝑟 in Teilperiode 𝑡 anfallen
𝐾𝐷 ∗ ≔ Koeffizient für den Überwachungsbedarf 𝑞 ∗ von digitalen Technologien der Art

𝑑 durch Arbeitskräfte (Dimension: [Arbeitskräfte/Digitale Technologie])
𝐾𝐸 ∗ ≔ Koeffizient für den Überwachungsbedarf 𝑞 ∗ von digitalen Technologien der Art

𝑒 durch Arbeitskräfte (Dimension: [Arbeitskräfte/Digitale Technologie])
𝑆𝐷 ≔ Substitutionskoeffizient von digitalen Technologien der Art 𝑒 zu Arbeitskräften
bezüglich der Erledigung von Tätigkeiten der Art 𝑞 (Dimension: [Digitale Tech-
nologien/Arbeitskraft]
𝑆𝐾 , ∗ ≔ Auszahlungen, die mit der Schulung einer Arbeitskraft der Art 𝑟 zu einer Arbeits-
kraft der Art 𝑟 ∗ in Teilperiode 𝑡 verbunden sind
𝛼 ≔ Leistungsfaktor von Arbeitskräften der Art 𝑟 bei der durch eine Technologie der
Art 𝑑 unterstützten Erledigung von Tätigkeiten der Art 𝑞
∗
𝜏 ≔ Dauer einer Schulung von Arbeitskräften der Art 𝑟 zu Arbeitskräften der Art 𝑟 ∗
𝑏 ≔ Anteil, zu dem Tätigkeiten der Art 𝑞 durch digitale Technologien der Art 𝑒 ∈ 𝐸
in Teilperiode 𝑡 erledigt werden sollen
1, wenn eine digitale Technologie der Art 𝑑 in Teilperiode 𝑡 dem Unternehmen

𝐷𝐴 ≔ zur Verfügung steht
0, sonst
1, wenn eine digitale Technologie der Art 𝑑 zur Erledigung einer Tätigkeit der
𝐷𝐸 ≔ Art 𝑞 in Teilperiode t eingesetzt wird
0, sonst
𝐸𝐴 ≔ Ausstattung mit digitalen Technologien der Art 𝑒 in Teilperiode 𝑡
𝐸𝐸 ≔ Anzahl der in Teilperiode t eingesetzten digitalen Technologien der Art 𝑒 zur

Erledigung von Tätigkeiten der Art 𝑞
𝑓 ≔ Anzahl der in Teilperiode 𝑡 zu entlassenden Arbeitskräfte der Art 𝑟
ℎ ≔ Anzahl der in Teilperiode 𝑡 einzustellenden Arbeitskräfte der Art 𝑟
𝑘𝑒 ≔ Anzahl der in Teilperiode 𝑡 zu erwerbenden digitalen Technologien der Art 𝑒
1, wenn eine digitale Technologie der Art 𝑑 in Teilperiode 𝑡 erworben wird

𝑘𝑑 ≔
0, sonst
𝑃𝐴 ≔ (Personal-) Ausstattung mit Arbeitskräften der Art 𝑟 in Teilperiode 𝑡
𝑃𝐸 ≔ (Personal-) Einsatz von Arbeitskräften der Art 𝑟 zur Erledigung von Tätigkeiten
der Art 𝑞 in Teilperiode 𝑡
𝑃𝐸(𝑆) , ∗ ≔ Anzahl an Arbeitskräften der Art 𝑟, die in Teilperiode 𝑡 eine Schulung zu Ar-
beitskräften der Art 𝑟 ∗ beginnen
Zielfunktion:
𝐸𝑍 − 𝐺𝐾 ∙ 𝑃𝐴 + 𝑆𝐾 , ∗ ∙ 𝑃𝐸(𝑆) , ∗
∗∈ ∗ ∗
− [𝐼𝐷 ∙ 𝑘𝑑 + 𝐵𝐷 ∙ 𝐷𝐴 ] − [𝐼𝐸 ∙ 𝑘𝑒 + 𝐵𝐸 ∙ 𝐸𝐴 ] ∙ (1 + 𝑖) → max! (ZDG. 1)
[Lies: Maximiere den Kapitalwert aus den Investitionen in digitale Technologien sowie in
die Schulungen der Arbeitskräfte!]
u.d.N.:
Abstimmung Personalbedarfe und Personaleinsätze:
a)
𝑃𝐵 ≤ 𝑃𝐸 ∀ 𝑞 ∈ 𝑄\ 𝑄  𝑄 ,𝑡 ∈ 𝑇 (DG. 1)
d ∈D e∈E
∈
[Lies: Perioden- und tätigkeitsbezogene Personalbedarfe, die weder durch den Einsatz un-
terstützender digitaler Technologien 𝑑 ∈ 𝐷 noch durch den Einsatz substituierender digitaler
Technologien 𝑒 ∈ 𝐸 gedeckt werden können, sind in allen Perioden ausschließlich durch den
Einsatz entsprechend qualifizierter Arbeitskräfte zu decken.]
b)
1 − 𝐷𝐸 ∙ 𝑃𝐵 ≤ 𝑃𝐸 ∀ 𝑑 ∈ 𝐷, 𝑞 ∈ 𝑄 , 𝑡 ∈ 𝑇 (DG. 2)
∈
𝐷𝐸 ∙ 𝑃𝐵 ≤ 𝛼 ∙ 𝑃𝐸 ∀ 𝑑 ∈ 𝐷, 𝑞 ∈ 𝑄 , 𝑡 ∈ 𝑇 mit 𝛼 >1 (DG. 3)

∈
𝐷𝐸 ≤1 ∀ 𝑞 ∈ 𝑄 ,𝑡 ∈ 𝑇 (DG. 4)
∈
[Lies: Je nachdem, ob eine digitale Technologie der Art 𝑑 unterstützend zur Erledigung von
Tätigkeiten der Art 𝑞 eingesetzt (𝐷𝐸 = 1) bzw. nicht eingesetzt wird (𝐷𝐸 = 0), ist der
Leistungsfaktor der Arbeitskräfte der Art 𝑟 𝛼 > 1 bzw. = 1. Das bedeutet, dass der Ein-
satz einer digitalen Technologie der Art 𝑑 zu Arbeitsproduktivitätssteigerungen führt. Sollte
es mehrere Technologien 𝑑 ∈ 𝐷 geben, kann maximal eine von diesen zur Unterstützung
herangezogen werden.]
c)
𝑃𝐸 ≤ 1−𝑏 ∙ 𝑃𝐵 ∀𝑞 ∈ 𝑄 ,𝑡 ∈ 𝑇 (DG. 5)
e∈E
∈
𝐸𝐸 ≤𝑏 ∙ 𝑆𝐷 ∙ 𝑃𝐵 ∀ 𝑞 ∈ 𝑄 ,𝑡 ∈ 𝑇 (DG. 6)
∈
[Lies: Sollen Tätigkeitsbedarfe zu einem gewissen Anteil (1 > 𝑏 > 0) durch dafür einsetz-
bare digitale Technologien der Art 𝑒 gedeckt werden, so sind 1 − 𝑏 des Gesamtbedarfs für
die Erledigung von Tätigkeiten der Art 𝑞 durch den Einsatz hinreichend qualifizierte Ar-
beitskräfte und 𝑏 dieses Gesamtbedarfs durch den Einsatz der in Frage kommenden digi-
talen Technologien zu erledigen. In den Fällen 𝑏 = 1 bzw. 𝑏 = 0 ist der Gesamtbedarf
ausschließlich durch entsprechende digitale Technologien bzw. Arbeitskräfte zu decken.
Der Substitutionskoeffizient 𝑆𝐷 stellt dabei sicher, dass der in Arbeitskräften (𝐴𝐾) ange-
gebene Personalbedarf (𝑃𝐵 ) in einen digitalen Bedarf (𝐷𝐵 = 𝑆𝐷 ∙ 𝑃𝐵 ) an digitalen Tech-
nologien (𝐷𝑇) transformiert wird: 𝑏 [dimensionslos] ∙ 𝑆𝐷 ∙ 𝑃𝐵 [𝐴𝐾] = [𝐷𝑇]]
d)
𝐷𝐸 ∙ 𝐾𝐷 ∗ ≤ 𝑃𝐸 ∗ ∀ 𝑑 ∈ 𝐷, 𝑞∗ ∈ 𝑄∗ , 𝑡 ∈ 𝑇 (DG. 7)
∈ ∈ ∗
𝐸𝐸 ∙ 𝐾𝐸 ∗ ≤ 𝑃𝐸 ∗ ∀ 𝑒 ∈ 𝐸, 𝑞∗ ∈ 𝑄∗ , 𝑡 ∈ 𝑇 (DG. 8)
∈ ∈ ∗
[Lies: Werden digitale Technologien der Art 𝑑 (der Art 𝑒) verwendet, so sind zur Deckung
der in diesem Fall anfallenden Bedarfe für die Erledigung von Tätigkeiten der Art 𝑞∗ (bspw.
Überwachung, Programmierung, etc.) hinreichend qualifizierte Arbeitskräfte einzusetzen.]
Abstimmung Personaleinsätze und Personalausstattungen:
a) Personalausstattungen
𝑃𝐸 + 𝑃𝐸(𝑆) , ∗ ≤ 𝑃𝐴 ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (DG. 9)
∈ ∗∈ ∗ ∗
[Lies: Die Anzahl der im Leistungsprozess und in Schulungen eingesetzten Arbeitskräfte ei-
ner Kategorie darf die Anzahl der verfügbaren Arbeitskräfte pro Periode nicht überschrei-
ten.]
b) Maschinenausstattungen
𝐷𝐸 ≤ 𝐷𝐴 ∀ 𝑑 ∈ 𝐷, 𝑡 ∈ 𝑇 (DG. 10)
∈
𝐸𝐸 ≤ 𝐸𝐴 ∀ 𝑒 ∈ 𝐸, 𝑡 ∈ 𝑇 (DG. 11)
∈
[Lies: Eine digitale Technologie der Art 𝑑 kann nur verwendet werden, wenn diese dem Un-
ternehmen auch zur Verfügung steht. Zudem darf die Anzahl eingesetzter die Anzahl der
verfügbaren Technologien der Art 𝑒 pro Periode nicht überschreiten.]
Ausstattungsfortschreibungen:
a) Personalausstattungsfortschreibung
∗
𝑃𝐴 = 𝑃𝐴 + 𝑃𝐸(𝑆) ,
− 𝑃𝐸(𝑆) , ∗ ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇 (DG. 12)
∗∈ ∗
∈
[Lies: Die Personalausstattung an Arbeitskräften der Art 𝑟 setzt sich in jeder Periode aus der
Ausstattung der Vorperiode zzgl. der von 𝑟 zu 𝑟 bzw. abzgl. der von 𝑟 zu 𝑟 ∗ geschulten
Arbeitskräfte zusammen.
Einstellungen und Entlassungen von Arbeitskräften der Art 𝑟 seien ausgeschlossen.]
b) Ausstattungsfortschreibung für digitale Technologien 𝑑 ∈ 𝐷
𝐷𝐴 = 𝐷𝐴 + 𝑘𝑑 ∀ 𝑑 ∈ 𝐷, 𝑡 ∈ 𝑇 (DG. 13)
𝑘𝑑 ≤1 ∀𝑑 ∈𝐷 (DG. 14)
[Lies: Die Verfügbarkeit einer digitalen Technologie der Art 𝑑 (𝐷𝐴 ∈ {0,1}) ist im Wesentli-
chen davon abhängig, ob diese in Periode 𝑡 erworben wird (𝑘𝑑 = 1) oder nicht (𝑘𝑑 = 0).
Im Planungszeitraum kann diese logischerweise auch nur einmal erworben werden. Ver-
käufe digitaler Technologien der Art 𝑑 seien ausgeschlossen.]
c) Ausstattungsfortschreibung für digitale Technologien 𝑒 ∈ 𝐸
𝐸𝐴 = 𝐸𝐴 + 𝑘𝑒 ∀ 𝑒 ∈ 𝐸, 𝑡 ∈ 𝑇 (DG. 15)
[Lies: Die Ausstattung an digitalen Technologien der Art 𝑒 setzt sich in jeder Periode aus der
Ausstattung der Vorperiode zzgl. der erworbenen Technologien in Periode 𝑡 zusammen.
Verkäufe digitaler Technologien der Art 𝑒 seien ausgeschlossen.]
(4) Nichtnegativitätsbedingungen:
𝑏 , 𝐷𝐴 , 𝐷𝐸 , 𝐸𝐴 , 𝐸𝐸 , 𝑘𝑑 , 𝑘𝑒 , 𝑃𝐴 , 𝑃𝐸 , 𝑃𝐸(𝑆) ≥ 0 ∀ relevanten 𝑑 ∈ 𝐷, 𝑒 ∈ 𝐸, 𝑞 ∈ 𝑄,
, ∗
∗
𝑟 ∈ 𝑅, 𝑟 ∗ ∈ 𝑅 , 𝑡 ∈ 𝑇
[Lies: Die Entscheidungsvariablen dürfen nicht negativ werden.] (DG. 16)
Teil 4
Lösungen zu den Übungsaufgaben
17 Lösungen zu Übungsaufgaben aus
Teil 1
Lösung zu Aufgabe 1
Betriebswirtschaftliches Denken ist grundsätzlich ein Denken in Modellen. Gemäß dem kon-
struktivistischen Modellbegriff – den wir den Ausführungen der vorliegenden Arbeit zu-
grunde legen – sind Modelle im Allgemeinen als menschliche Konstruktionen bzw. Definiti-
onen von subjektiv wahrgenommenen realen Phänomenen (z.B. Sachverhalten, Gegenstän-
den oder Situationen), die lediglich selektiv eingefangen und (komplexitäts-) reduziert dar-
gestellt (konstruiert) werden, zu verstehen.
Ausgehend von sog. mentalen (impliziten) Modellen, die aus Gedanken, Überlegungen und
Anschauungen heraus individuell im Geiste konstruiert werden, werden mit der Absicht,
Strukturen zu (er-) finden, rationales Handeln zu unterstützen bzw. zu ermöglichen, expli-
zite Modelle abgeleitet.
Bei expliziten Modellen werden die Vorstellungen über die vorhandenen (sich auf der Ebene
des rein Gedanklichen befindlichen) mentalen Modelle vom Modellierenden systematisiert
und so (je nach expliziter Zielsetzung) in eine bestimmte Form gebracht. Die Systematisie-
rung (und damit die Beschreibung bzw. Erfassung) der relevanten Modellkomponenten und
deren Zusammenhänge kann auf natürlich- oder formalsprachlicher (z.B. mathematischer)
Ebene erfolgen. Auf welcher dieser sprachlichen Ebenen die explizite Formulierung erfolgt,
ist abhängig vom dabei verfolgten Zweck.
Für die Konstruktion und Anwendung von Entscheidungsmodellen sind die inhaltlich prä-
zise sowie formal korrekte Erfassung relevanter Entscheidungskomponenten und ihrer Be-
ziehungen von wesentlicher Bedeutung. Ziel dabei ist es, Probleme, die man zunächst als
relativ komplex und unscharf wahrnimmt, mittels eines Modells entscheidbar zu machen,
und das derart, als eine rationale Problemlösung daraus abgeleitet werden kann. Sowohl bei
der Konstruktion als auch bei der Anwendung von Entscheidungsmodellen ist stets auf die
Skalierung der Merkmale der zu erfassenden entscheidungsrelevanten Objekte zu achten. Je
nachdem, wie die entsprechenden Merkmale skaliert sind (welches Skalenniveau sie also
aufweisen), unterscheiden sich die Möglichkeiten ihrer (mathematischen) Handhabbarkeit
sowie der Interpretierbarkeit der daraus resultierenden Ergebnisse. In diesem Zusammen-
hang werden Nominal-, Ordinal-, Intervall-, Ratio- und absolute Skalen unterschieden.
Ist das betrachtete Merkmal nominalskaliert, so können die bezüglich dieses Merkmals zu
beurteilenden Objekte lediglich in Klassen unterteilt werden. Objekte, die hinsichtlich eines
solchen Merkmals gleichartig (identisch) sind, werden in einer Klasse zusammengefasst. Sie
weisen demnach die gleiche Ausprägung des zu bewertenden Merkmals auf und erhalten
denselben Skalenwert (ausgedrückt durch Buchstaben, Zahlen oder Buchstaben-Zahlen-
https://doi.org/10.1007/978-3-658-25935-8_17
262 Lösungen zu Übungsaufgaben aus Teil 1
Kombinationen). Objekte, die unterschiedlich (divers) sind, weisen ungleiche Merkmalsaus-

prägungen auf, was entsprechend über unterschiedliche Skalenwerte zum Ausdruck ge-
bracht wird. Rangfolgen, Abstände und Größenverhältnisse von Skalenwerten nominalska-
lierter Merkmale lassen sich nicht sinnvoll interpretieren. Vor diesem Hintergrund ist die
Durchführung jeglicher arithmetischer Operationen auf diesen weder sinnvoll noch zulässig.
Beispiele: Klassifizierung von Mitarbeitern nach Geschlecht (Ausprägungen: „weiblich“,

„männlich“) oder Familienstand (Ausprägungen: „ledig“, „in eingetragener Lebenspartner-
schaft“, „verheiratet“ usw.).
Bei ordinalskalierten Merkmalen lässt sich neben der Identität bzw. Diversität auch die Rang-
folge entsprechender Merkmalsausprägungen erfassen und interpretieren. Falls ein solches
Merkmal bei einem Objekt stärker (schwächer) ausgeprägt ist als bei einem anderen, wird
der korrespondierenden Ausprägung ein höherer (niedrigerer) Wert zugewiesen. Auch bei
ordninalskalierten Merkmalen können weder Abstände noch Größenverhältnisse ihrer Aus-
prägungen sinnvoll interpretiert werden. Daher ist die Durchführung arithmetischer Opera-
tionen auch auf diesen unzulässig.
Beispiele: Mitarbeiterzufriedenheit (Ausprägungen: von 1 = „sehr unzufrieden“ bis 5 = „sehr

zufrieden“); Hierarchiestufen in einem Unternehmen.
Bei intevallskalierten Merkmalen können die entsprechenden Skalenwerte hinsichtlich Iden-

tität bzw. Diversität, Rangfolge und Abstand beurteilt werden. Aufgrund dessen, dass Inter-
vallskalen bis auf den Skalennullpunkt und die Maßeinheit eindeutig festgelegt sind, kann
zwar die Differenz zweier Skalenwerte (also der Abstand) sinnvoll interpretiert werden, de-
ren Größenverhältnis jedoch nicht. Skalenwerte dürfen demnach subtrahiert und die Skalen-
wertdifferenzen dividiert werden. Die Division von Skalenwerten ist nicht sinnvoll interpre-
tierbar und somit auch nicht zulässig.
Beispiele: Geburtsdaten von Mitarbeitern (Kalenderzeitrechnung); Punktzahlen in einem In-

telligenztest.
Ratioskalen (Verhältnisskalen) besitzen einen natürlichen Nullpunkt und sind bis auf die
Maßeinheit eindeutig bestimmt. Neben Identität bzw. Diversität, Rangfolge und Abstand in-
formieren Verhältnisskalen also auch über die Größenverhältnisse zwischen den Skalenwer-
ten entsprechender Merkmale. Der Quotient zweier Skalenwerte ist sinnvoll interpretierbar
und bringt zum Ausdruck, um wie viel das zu beurteilende Merkmal bei einem Objekt im
Verhältnis zu einem anderen stärker ausgeprägt ist. Mit verhältnisskalierten Merkmalsaus-
prägungen dürfen sämtliche arithmetischen Operationen durchgeführt werden.
Beispiele: (Betriebs-)Alter von Mitarbeitern (in Jahren); Umsatz pro Periode (in €).
Absolute Skalen verfügen hinsichtlich mathematischer Handhabbarkeit und korrespondie-

render Interpretierbarkeit über dieselben Eigenschaften wie Ratioskalen. Zusätzlich ist je-
doch neben dem eindeutig bestimmten natürlichen Nullpunkt auch die Maßeinheit der Ska-
lenwerte eindeutig bestimmt. Die absolute Skala gilt als jene mit den höchsten Anforderun-
gen an das Skalenniveau von Merkmalen.
Ein Modellzu
Lösungen zur simultanen Investitions-
Übungsaufgaben aus Teil 1und Personalplanung in Zeiten der Digitalisierung 263
Beispiele: Anzahl von Mitarbeitern in einem Unternehmen; (Prozentuales) Verhältnis zwi-

schen männlichen und weiblichen Mitarbeitern in einem Unternehmen.
Intervall-, Ordinal- und absolute Skalen werden i.d.R. unter den Begriff der metrischen Ska-
len subsumiert.
Wir sollten stets anstreben, für die in einer Entscheidungssituation zu erfassenden Modell-
komponenten metrisch skalierte Werte zu verwenden, weil davon auszugehen ist, dass die
zu treffende Entscheidung – im Vergleich zur Verwendung nicht-metrisch skalierter Bewer-
tungen – präziser abgeleitet und in höherem Maße formal begründet werden kann. Grund-
sätzlich sollten wir jedoch immer gewissenhaft mit diesen Anforderungen an das Skalenni-
veau der für uns relevanten Komponenten umgehen. Wenn einerseits ausgewählte Kompo-
nenten lediglich ordinal skaliert dargestellt werden können, so sollte man dies akzeptieren
und sich mit weniger präzisen Aussagen und Ergebnissen zufriedengeben (vgl. Mo-
msen/Schroll 2005, S.119 ff.). Jegliche Versuche, ordinal skalierte Größen auf höhere Skalen-
niveaus heraufheben zu wollen, können zu Scheinpräzision und damit einhergehend zu Er-
gebnisverzerrungen führen. Andererseits sollte man nicht die Flinte ins Korn werfen, wenn
die uns interessierenden Komponenten kein metrisches Skalenniveau aufweisen, weil eine
Rangreihung vielfach aussagekräftig genug sein kann, um als Entscheidungshilfe zu dienen.
Unter dem Begriff „entscheiden“ verstehen wir die Auswahl einer aus einer Menge sich ge-
genseitig ausschließende (Handlungs-) Alternativen und die daran anschließende Umset-
zung (oder Realisation). Im Kontext dieses Buches verwenden wir zudem den konstruktivis-
tischen Modellbegriff. Das heißt, dass ein Modell nicht die möglichst detailgetreue Rekon-
struktion von realen Phänomenen, sondern eine möglichst präzise, komplexitätsreduzie-
rende und einem (mehreren) bestimmten Ziel(en) folgende menschliche Konstruktion dieser
Phänomene darstellt. Es ist also wichtig, ein Modell so zu konstruieren, dass in Bezug auf ein
bzw. mehrere zuvor festgelegte Ziel(e) die wichtigsten (also nicht alle) Eigenschaften, Zu-
sammenhänge, etc., bspw. eines realen Sachverhalts, hinreichend genau beschrieben werden.
Bringen wir beide Begriffe zusammen, ist ein Entscheidungsmodell dementsprechend eine
einer konkreten Zielstellung folgende, hinreichend präzise und die Komplexität der realen
Problemstellung reduzierende Konstruktion einer Situation, in welcher eine von mehreren
Handlungsalternativen auszuwählen ist.
Zur Veranschaulichung ein kurzes Beispiel:
Stellen Sie sich vor, Sie wollen mit Ihrem/Ihrer Partner/in sieben Tage in Urlaub fahren und
müssen nun das Reiseziel bestimmen. Als mögliche Urlaubsorte haben Sie gemeinsam die
Städte Rom, Sydney und Los Angeles bestimmt. Diese drei Möglichkeiten schließen sich ge-
genseitig aus, da Sie Ihren einwöchigen Urlaub nicht mit stundenlangen Reisen verbringen
wollen und ein Besuch mehrerer dieser Orte während Ihrer Reise daher für Sie nicht in Frage
kommt. Rom, Sydney und Los Angeles sind also die drei Alternativen, von denen Sie nun
gemeinsam eine auswählen müssen.
Nehmen wir zudem an, dass Ihr einzig relevanter Anspruch an die gemeinsame Reise ist,
möglichst kostengünstig zu verreisen. Dementsprechend wäre in diesem Fall das einzig ver-
folgte Ziel bei der Entscheidung über den Urlaubsort die Minimierung der Reisekosten. Alle
weiteren Aspekte, wie bspw. das Wetter oder das Freizeitangebot vor Ort, spielen dement-
sprechend keine Rolle für die Auswahl des Reiseziels.
Ganz gleich, ob Sie die Modellüberlegungen nun implizit oder explizit anstellen, würden Sie
anschließend genau diejenigen Aspekte der realen Situation betrachten, die Einfluss auf Ihre
Reisekosten haben. Und auch hier würden Sie vermutlich nicht alle, sondern nur die rele-
vanten wie Flug-, Zug-, Auto-, Hotel-, Lebensmittelkosten, etc. in Ihre Überlegungen mit ein-
beziehen. Die Preise für eine Packung Kaugummi am Urlaubsort würden Sie (wahrschein-
lich) eher vernachlässigen.
Bei der oben beschriebenen Konstruktion der Entscheidungssituation würden Sie also be-
wusst Details, wie die politische Lage, das Wetter oder das Verkehrsaufkommen am Urlaubs-
ort, ausblenden. Das heißt, Sie reduzieren die Komplexität der realen Situation und konzent-
rieren sich ausschließlich auf die wichtigsten, Ihr gesetztes Ziel (günstigstes Reiseziel) beein-
flussenden Eigenschaften und Zusammenhänge. Diese betrachten Sie jedoch sehr präzise,
um letztendlich die beste Entscheidung treffen zu können (also jene, die Ihr gesetztes Ziel am
besten erfüllt).
Ein (mathematisches) Optimierungsmodell hingegen ist eine spezielle Form eines Entschei-
dungsmodells. Da „optimieren“ immer bedeutet, das Beste zu finden, ist das Ziel eines Op-
timierungsmodells stets die Ermittlung der besten Lösung eines Entscheidungsproblems.
Das Beste äußert sich dabei in Form eines der bekannten Extrema Minimum oder Maximum
und besteht dementsprechend immer aus mindestens einer Extremierungszielfunktion (max!
oder min!). Aufgrund dessen, dass die Auswahl einer Handlungsalternative durch be-
stimmte Bedingungen beeinflusst wird, ist (sind) diese Zielfunktion(en) unter Nebenbedin-
gungen in Form von (Un-)Gleichungssystemen zu extremieren. Andernfalls würde die ent-
sprechende Lösung des Optimierungsproblems abhängig von der geltenden Extremierungs-
vorschrift auch stets +∞ bzw. −∞ lauten.
Ein Optimierungsmodell bezeichnen wir als linear, wenn alle Entscheidungsvariablen aus-
schließlich mit Skalaren (also mit Zahlenwerten wie bspw. 5 ∙ 𝑥, 0.3 ∙ 𝑥 oder 17 ∙ 𝑥 und nicht
mit anderen Variablen wie 𝑥 ∙ 𝑦) multipliziert und nur in der ersten Potenz (√𝑥 = 𝑥 . oder
𝑥 sind dementsprechend unzulässig) in den Ansatz eingehen. Für ein „rein“ lineares Opti-
mierungsmodell müssen alle Variablen zudem stetig und nicht diskret definiert sein. Das
heißt, dass keine ganzzahligen Variablen in Ansatz gebracht werden dürfen. Ein solches Mo-
dell wird exemplarisch in der Lösung zu Aufgabe 4 formuliert. Werden Variablen entspre-
chend mit sich selbst oder mit anderen Variablen multipliziert, befinden wir uns im Bereich
der nicht-linearen Optimierung. Im Besonderen sprechen wir von Ansätzen der ganzzahli-
gen bzw. der gemischt-ganzzahligen Optimierung, wenn ganzzahlige bzw. ganzzahlige und
stetige Variablen in ein Optimierungsmodell integriert werden. Das oben eingeführte Bei-
spiel zur Urlaubsplanung ließe sich bspw. wie folgt als ganzzahliges Optimierungsmodell
formulieren:
Ein
Lösungen
Modellzu
zur
Übungsaufgaben
simultanen Investitions-
aus Teil 1und Personalplanung in Zeiten der Digitalisierung 265
Symbole:
1, wenn Rom als Urlaubsort gewählt wird

𝑢 ≔
0, sonst
1, wenn Sydney als Urlaubsort gewählt wird

𝑢 . ≔
0, sonst
1, wenn Los Angeles als Urlaubsort gewählt wird

𝑢 ≔
0, sonst
𝑈𝐾 ≔ Urlaubskosten einer Reise nach Rom
𝑈𝐾 . ≔ Urlaubskosten einer Reise nach Sydney
𝑈𝐾 ≔ Urlaubskosten einer Reise nach Los Angeles
Zielfunktion:
𝑈𝐾 ∙𝑢 + 𝑈𝐾 . ∙𝑢 . + 𝑈𝐾 ∙𝑢 → min!
u.d.N.:
𝑢 +𝑢 . +𝑢 =1
𝑢 ,𝑢 ., 𝑢 ∈ {0,1}
a.
Symbole:
Mengen
𝐽 ≔ {𝑗|𝑗 = 1, 2} Menge der Saatgutarten (Kartoffel- (𝑗 = 1) und Maissaatgut (𝑗 = 2))
Daten
𝐵 ≔ Budget für die Beschaffung von Saatgut
𝑑 ≔ Deckungsbeitrag pro mit Saatgut 𝑗 bepflanztem 𝑚 Ackerfläche
𝑘 ≔ Kosten pro beschafftem Saatgut 𝑗 für einen 𝑚 der Ackerfläche
𝑃 ≔ maximale Anzahl an 𝑚 der Ackerfläche, die mit Saatgut 𝑗 bepflanzt werden

sollen
𝑃𝑀 ≔ maximale 𝑚 -Anzahl an zu bepflanzender Ackerfläche

𝑥 ≔ Anzahl der mit Saatgut 𝑗 zu bepflanzenden 𝑚 der Ackerfläche
b.
Zielfunktion:
𝑑 ∙ 𝑥 → max!
∈
125𝑥 + 150𝑥 → max!
u.d.N.:
(1) (2) (3) (4)
𝑥 ≤ 𝑃𝑀 𝑥 ≤𝑃 ∀𝑗 ∈𝐽 𝑘 ∙𝑥 ≤𝐵 𝑥 ≥0 ∀𝑗 ∈𝐽
∈ ∈
𝑥 ≤ 80 𝑥 ,𝑥 ≥ 0
𝑥 + 𝑥 ≤ 100 𝑥 ≤ 60 800𝑥 + 400 ∙ 𝑥 ≤ 64.000
c.
Eine Nebenbedingung ist genau dann redundant (mehrfach bzw. wiederholt vorhanden),
wenn sie daher, dass sie in mindestens einer der anderen Nebenbedingungen enthalten ist,
den Lösungsraum des betrachteten Problems nicht einschränkt und somit bei der Lösungs-
findung vernachlässigt werden kann.
Der einfachste Weg zur Überprüfung des Vorliegens redundanter Nebenbedingungen ist
(hier), die Problemstellung grafisch in einem 𝑥 -𝑥 -Koordinatensystem darzustellen (vgl. Ab-
bildung 17.1). Dazu sind alle Restriktionen nach einer der beiden Variablen aufzulösen (hier:
nach 𝑥 ) und als lineare Funktionen einzuzeichnen.
Beispiel Restriktion (3):
800𝑥 + 400 ∙ 𝑥 ≤ 64.000 |−800𝑥
400 ∙ 𝑥 ≤ 64.000 − 800𝑥 |: 400
𝑥 ≤ 160 − 2𝑥
Als 𝑥 - bzw. 𝑥 -Achsenabschnitt ergeben sich die Werte 𝑥 = 80 bzw. 𝑥 = 160.

Aus der grafischen Darstellung geht hervor, dass die Nebenbedingung (2a) redundant ist, da
sie den Lösungsraum (gepunktete Fläche in Abbildung 17.1) des Problems nicht einschränkt
und somit zur Lösung „überflüssig“ ist. Ohne die Berücksichtigung von (2a) würde sich
dementsprechend derselbe Lösungsraum und ceteris paribus auch dieselbe optimale Lösung
des Problems ergeben.
Ein Modellzu
Lösungen zurÜbungsaufgaben
Abbildung 17.1 Grafische Lösung
𝑥
(2a)
Optimale Lösung:
150 (3)
𝑥 ∗ = 40; 𝑥 ∗ = 60
𝑍𝐹 ∗ = 14.000
100 (1)
50 (2b)
ZF
50 100 150 𝑥
d.
Die Lösung dieses Optimierungsproblems kann man ebenfalls grafisch ermitteln, indem man
exemplarisch einen Zielfunktionswert annimmt und die Zielfunktion (z.B.) nach 𝑥 auflöst:
125𝑥 + 150𝑥 = 4.500 |−125𝑥
150𝑥 = 4.500 − 125𝑥 |: 150
5
𝑥 = 30 − 𝑥
6
Als 𝑥 - bzw. 𝑥 -Achsenabschnitt ergeben sich die Werte 𝑥 = 36 bzw. 𝑥 = 30. Die optimale
Lösung des Problems ergibt sich dann durch eine Parallelverschiebung der Zielfunktion (ZF)
bis an den äußersten Eckpunkt des Lösungsraums (vgl. Abb. Abbildung 17.1).
Was würde sich am Lösungsraum und an der Lösung ändern, falls
■ Mais und/oder Kartoffeln auf einer Fläche von insgesamt genau 100 m2 angebaut
werden sollten?
Das Relationszeichen der Nebenbedingung (1) würde sich zu einem Gleichheitszeichen än-
dern:
𝑥 = 𝑃𝑀
∈
𝑥 + 𝑥 = 100
Dementsprechend würde sich der Lösungsraum auf den Teil der Geraden von NB (1) be-
schränken, der Teil des „alten“ Lösungsraums ist (vgl. fett-markierte Gerade in Abbildung
17.2). Die optimale Lösung des Problems bliebe unverändert:
Abbildung 17.2 Veränderungen des Lösungsraums und der Lösung
ZF
■ der Deckungsbeitrag für Kartoffeln 100 €/m2 anstatt 125 €/m2 betragen würde?
Eine Änderung des Deckungsbeitrags von Kartoffeln führt zur Änderung der Zielfunktion
(vgl. schwarz-gestrichelte Linie in Abbildung 17.2):
100𝑥 + 150𝑥 = 4.500 |−100𝑥
150𝑥 = 4.500 − 100𝑥 |: 150
2
𝑥 = 30 − 𝑥
3
Dadurch ändert sich in diesem Fall der Zielfunktionswert von 14.000 auf 13.000. Die Variab-
lenausprägungen im Optimum sowie der Lösungsraum blieben unverändert.
■ der Landwirt nur ganzzahlige Flächen zum Anbau verwenden könnte?

In diesem Fall bestünde der Lösungsraum nur noch aus allen Punkten ganzzahliger 𝑥 -𝑥 -
Kombinationen innerhalb des „alten“ Lösungsraums (exemplarisch dargestellt durch die
schwarzen Punkte in Abb. Abbildung 17.2). Die optimale Lösung bliebe wiederum unver-
ändert, da diese bereits ganzzahlig ist.
Ein Modellzu
Eine Entscheidungsvariable stellt in Optimierungsmodellen stets eine veränderliche Größe

dar, über deren konkrete Ausprägung im Kontext des betrachteten Problems entschieden
werden soll. Ein Datum hingegen ist eine gegebene Größe, deren Ausprägung vom Entschei-
der nicht beeinflusst werden kann (zumindest nicht direkt). Je nachdem, welches konkrete
Problem in dem Optimierungsmodell betrachtet wird, kann eine Größe sowohl eine Ent-
scheidungsvariable als auch ein Datum darstellen. So wird bspw. im Rahmen der Produkti-
onsplanung zwischen der Planung des Produktionsprogramms und der des -ablaufs unter-
schieden. In der ersten Modellkategorie stellen die Produktionsmengen Entscheidungsvari-
ablen dar. Es soll also darüber entschieden, welche Produkte in welcher Anzahl zu produ-
zieren sind. Bei Ansätzen der Produktionsablaufplanung hingegen gehen diese Produktions-
mengen als Datum in die Optimierung ein. An dieser Stelle ist nun zu entscheiden, wie (also
unter Einsatz welcher Produktionsfaktoren) die vorgegebenen Produktionsmengen zu pro-
duzieren sind (bspw. mit welchen Maschinen).
Entscheidungsvariablen und Daten sind in Optimierungsmodellen stets Teil der Zielfunk-

tion und des Restriktionenraums. In der Zielfunktion treten Daten als Zielfunktionskoeffi-
zienten 𝑐 auf:
𝑐 ∙ 𝑥 → min! oder max!

∈
Diese können entweder explizit (𝑐 ≠ 1) oder implizit (𝑐 = 1) erfasst werden.
In den Nebenbedingungen können Daten sowohl als Koeffizienten 𝑎 als auch als Konstan-
ten 𝐵 auftreten:
a) 𝑎 ∙𝑥 ≤𝐵 ∀𝑖 ∈𝐼
∈
b) 𝑎 ∙𝑥 ≥𝐵 ∀𝑖 ∈𝐼
∈
c) 𝑎 ∙𝑥 =𝐵 ∀𝑖 ∈𝐼
∈
Auch in den Restriktionen können die entsprechenden Koeffizienten explizit (𝑎 ≠ 1) oder

implizit (𝑎 = 1) erfasst sein. Die Konstanten 𝐵 können entweder a) Ober- oder b) Unter-
grenzen oder c) Fixwerte darstellen.
Bei den Entscheidungsvariablen ist zwischen solchen, die Teil der Zielfunktion sind, und
solchen, die nicht Teil der Zielfunktion sind, zu unterscheiden. Betrachten wir dazu folgen-
des Beispiel:
Zielfunktion:
10 ∙ 𝑥 + 15 ∙ 𝑥 → max!
u.d.N.:
1 1
∙𝑟 + ∙𝑟 ≥𝑥
8 2
1 1
∙𝑟 + ∙𝑟 ≥𝑥
4 6
1.5 ∙ 𝑟 + 2 ∙ 𝑟 + 3 ∙ 𝑟 + 2 ∙ 𝑟 ≤ 100
𝑥 ,𝑥 ,𝑟 ,𝑟 ,𝑟 ,𝑟 ≥ 0
In diesem Beispiel werden zwei Arten von Entscheidungsvariablen in Ansatz gebracht. Die
Variablen 𝑥 und 𝑥 sind dabei Bestandteil der Zielfunktion und der Nebenbedingungen. Die
Variablen 𝑟 -𝑟 werden hingegen ausschließlich in den Nebenbedingungen berücksichtigt.
Dementsprechend müssen nicht alle Entscheidungsvariablen Teil der Zielfunktion sein. Es
gilt jedoch, dass jede Variable, die in der Zielfunktion erfasst ist, auch in zumindest einer
Nebenbedingung berücksichtigt werden muss. Ansonsten wäre die entsprechende Variable
unbeschränkt und würde je nach verfolgtem Extremierungsziel die Werte +∞ oder −∞ an-
nehmen. Im obigen Beispiel werden 𝑥 und 𝑥 durch die erste bzw. die zweite Restriktion
nach oben und durch die Nichtnegativitätsbedingungen nach unten beschränkt.
a.
Verwendungsspektren 𝑄 :
𝑄 = {𝑞 = 1}, 𝑄 = {𝑞 = 2}, 𝑄 = {𝑞 = 3}, 𝑄 = {𝑞 = 1, 2}, 𝑄 = {𝑞 = 1, 2, 3}
Bereitstellungsspektren 𝑅 :
𝑅 = {𝑟 = 1, 4, 5}, 𝑅 = {𝑟 = 2, 4, 5}, 𝑅 = {𝑟 = 3, 5}
b.
Anzahl der Restriktionen: 2 − 1
𝑄 = 3 (Anzahl der Aufgabenarten) ⟹ 2 − 1 = 8 − 1 = 7 Restriktionen
Potenzmenge von 𝑄:
𝕻 𝑄 ≔ Menge aller Teilmengen von 𝑄 (inklusive der leeren Menge und der Menge selbst)
𝕻 𝑄 = {∅}, {𝑞 = 1}, {𝑞 = 2}, {𝑞 = 3}, {𝑞 = 1,2}, {𝑞 = 1,3}, {𝑞 = 2,3}, {𝑞 = 1,2,3}

Ein Modellzu
c.
Grundform:
𝑃𝐵 ≤ 𝑃𝐴 ∀ 𝑄 ∈ 𝕻 𝑄 \{∅}
∈ r ∈  Rq
q∈Qˆ
1) 𝑄 = {𝑞 = 1}:
⟹ 𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 = {𝑟 = 1, 4, 5}
q∈Qˆ
𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 ⟹ 25 ≤ 20 + 15 + 10 = 45
2) 𝑄 = {𝑞 = 2}:
⟹ 𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 = {𝑟 = 2, 4, 5}
q∈Qˆ
𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 ⟹ 30 ≤ 20 + 15 + 10 = 45
3) 𝑄 = {𝑞 = 3}:
⟹ 𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 = {𝑟 = 3, 5}
q∈Qˆ
𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 ⟹ 40 ≤ 30 + 10 = 40
4) 𝑄 = {𝑞 = 1, 2}:
⟹ 𝑟 ∈  𝑅 ⟹ 𝑟 ∈ 𝑅 ∪ 𝑅 = {𝑟 = 1, 2, 4, 5}
q∈Qˆ
𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 ⟹ 25 + 30 = 55 ≤ 20 + 20 + 15 + 10 = 65
5) 𝑄 = {𝑞 = 1, 3}:
⟹ 𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 ∪ 𝑅 = {𝑟 = 1, 3, 4, 5}
q∈Qˆ
𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 ⟹ 25 + 40 = 65 ≤ 20 + 30 + 15 + 10 = 75
6) 𝑄 = {𝑞 = 2, 3}:
⟹ 𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 ∪ 𝑅 = {𝑟 = 2, 3, 4, 5}
q∈Qˆ
𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 ⟹ 30 + 40 = 70 ≤ 20 + 30 + 15 + 10 = 75
7) 𝑄 = {𝑞 = 1, 2, 3}:
⟹ 𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 ∪ 𝑅 ∪ 𝑅 = {𝑟 = 1, 2, 3, 4, 5}
q∈Qˆ
𝑃𝐵 + 𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴
⟹ 25 + 30 + 40 = 70 ≤ 20 + 20 + 30 + 15 + 10 = 75
Die Personalausstattung des Unternehmens ist quantitativ und strukturell ausreichend, um

den Personalbedarf zu decken!
d.
Grundform:
(1) 𝑃𝐵 = 𝑃𝐸 ∀𝑞 ∈𝑄
∈
(2) 𝑃𝐸 ≤ 𝑃𝐴 ∀𝑟 ∈𝑅
∈
(1) Abstimmung Personalbedarf und Personaleinsatz:
𝑞 = 1, 𝑅 = {𝑟 = 1, 4, 5}:
𝑃𝐵 = 25 = 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸
𝑞 = 2, 𝑅 = {𝑟 = 2, 4, 5}:
𝑃𝐵 = 30 = 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸
𝑞 = 3, 𝑅 = {𝑟 = 3, 5}:
𝑃𝐵 = 40 = 𝑃𝐸 + 𝑃𝐸
(2) Abstimmung Personaleinsatz und Personalausstattung:
𝑟 = 1, 𝑄 = {𝑞 = 1}:
𝑃𝐸 ≤ 𝑃𝐴 = 20
𝑟 = 2, 𝑄 = {𝑞 = 2}:
𝑃𝐸 ≤ 𝑃𝐴 = 20
𝑟 = 3, 𝑄 = {𝑞 = 3}:
𝑃𝐸 ≤ 𝑃𝐴 = 30
𝑟 = 4, 𝑄 = {𝑞 = 1, 2}:
𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴 = 15
𝑟 = 5, 𝑄 = {𝑞 = 1, 2, 3}:
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴 = 10
Ein Modellzu
Zulässiger Einsatzplan (Tabelle 17.1):
Tabelle 17.1 Zulässiger Einsatzplan
𝑟=1 𝑟=2 𝑟=3 𝑟=4 𝑟=5 𝑃𝐵
𝑞=1 20 - - 5 0 25
𝑞=2 - 20 - 10 0 30
𝑞=3 - - 30 - 10 40
𝑃𝐴 20 20 30 15 10
a.
Tabelle 17.2 zeigt die Bereitstellungs- und Verwendungsmöglichkeiten:
𝑟=1 𝑟=2 𝑟=3 𝑅
𝑞=1 - × - 𝑅 = {𝑟 = 2}
𝑞=2 × × - 𝑅 = {𝑟 = 1, 2}
𝑞=3 × - - 𝑅 = {𝑟 = 1}
𝑞=4 × × × 𝑅 = {𝑟 = 1, 2, 3}
𝑄 𝑄 = {𝑞 = 2, 3, 4} 𝑄 = {𝑞 = 1, 2, 4} 𝑄 = {𝑞 = 4}
b.
Grundform:
𝑃𝐵 ≤ 𝑃𝐴 ∀ 𝑄 ∈ 𝕻 𝑄 \{∅}, 𝑠 ∈ 𝑆
∈ r ∈ Rq
q∈Qˆ
𝕻 𝑄 = {{∅}, {𝑞 = 1}, {𝑞 = 2}, {𝑞 = 3}, {𝑞 = 4}, {𝑞 = 1, 𝑞 = 2}, {𝑞 = 1, 𝑞 = 3}, {𝑞 = 1,
𝑞 = 4},{𝑞 = 2, 𝑞 = 3}, {𝑞 = 2, 𝑞 = 4}, {𝑞 = 3, 𝑞 = 4}, {𝑞 = 1, 𝑞 = 2, 𝑞 = 3},
{𝑞 = 1, 𝑞 = 2, 𝑞 = 4}, {𝑞 = 1, 𝑞 = 3, 𝑞 = 4}, {𝑞 = 2, 𝑞 = 3, 𝑞 = 4}, {𝑞 = 1,
𝑞 = 2, 𝑞 = 3, 𝑞 = 4}}
In diesem Fall sind genau (2 − 1) ∙ S = (2 − 1) ∙ 2 = 30 Abstimmungen zwischen Personal-

bedarf und -ausstattung aufzustellen:
Produktionshalle 𝑠 = 1:
1) 𝑄 = {𝑞 = 1}:
⟹ 𝑟 ∈  𝑅 ⟹ 𝑟 ∈ 𝑅 = {𝑟 = 2}
q∈Qˆ
𝑃𝐵 ≤ 𝑃𝐴 ⟹ 20 ≤ 35
2) 𝑄 = {𝑞 = 2}:
⟹ 𝑟 ∈  𝑅 ⟹ 𝑟 ∈ 𝑅 = {𝑟 = 1, 2}
q∈Qˆ
𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 ⟹ 25 ≤ 30 + 35 = 65
3) 𝑄 = {𝑞 = 3}:
⟹𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 = {𝑟 = 1}
q∈Qˆ
𝑃𝐵 ≤ 𝑃𝐴 ⟹ 20 ≤ 30
4) 𝑄 = {𝑞 = 4}:
⟹𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 = {𝑟 = 1, 2, 3}
q∈Qˆ
𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 ⟹ 10 ≤ 30 + 35 + 15 = 80
5) 𝑄 = {𝑞 = 1, 2}:
⟹𝑟∈  𝑅 ⟹ 𝑟 ∈ 𝑅 ∪ 𝑅 = {𝑟 = 1, 2}
q∈Qˆ
𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 ⟹ 20 + 25 = 45 ≤ 30 + 35 = 65
6) 𝑄 = {𝑞 = 1, 3}:
⟹𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 ∪ 𝑅 = {𝑟 = 1, 2}
q∈Qˆ
𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 ⟹ 20 + 20 = 40 ≤ 30 + 35 = 65
7) 𝑄 = {𝑞 = 1, 4}:
⟹𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 ∪ 𝑅 = {𝑟 = 1, 2, 3}
q∈Qˆ
𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 ⟹ 20 + 10 = 30 ≤ 30 + 35 + 15 = 80
8) 𝑄 = {𝑞 = 2, 3}:
⟹𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 ∪ 𝑅 = {𝑟 = 1, 2}
q∈Qˆ
Ein Modellzu
𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 ⟹ 25 + 20 = 45 ≤ 30 + 35 = 65
9) 𝑄 = {𝑞 = 2, 4}:
⟹𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 ∪ 𝑅 = {𝑟 = 1, 2, 3}
q∈Qˆ
𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 ⟹ 25 + 10 = 35 ≤ 30 + 35 + 15 = 80
10) 𝑄 = {𝑞 = 3, 4}:
⟹𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 ∪ 𝑅 = {𝑟 = 1, 2, 3}
q∈Qˆ
𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 ⟹ 20 + 10 = 30 ≤ 30 + 35 + 15 = 80
11) 𝑄 = {𝑞 = 1, 2, 3}:
⟹𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 ∪ 𝑅 ∪ 𝑅 = {𝑟 = 1, 2}
q∈Qˆ
𝑃𝐵 + 𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 ⟹ 20 + 25 + 20 = 65 ≤ 30 + 35 = 65
12) 𝑄 = {𝑞 = 1, 2, 4}:
⟹𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 ∪ 𝑅 ∪ 𝑅 = {𝑟 = 1, 2, 3}
q∈Qˆ
𝑃𝐵 + 𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 ⟹ 20 + 25 + 10 = 55 ≤ 30 + 35 + 15 = 80
13) 𝑄 = {𝑞 = 1, 3, 4}:
⟹𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 ∪ 𝑅 ∪ 𝑅 = {𝑟 = 1, 2, 3}
q∈Qˆ
𝑃𝐵 + 𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 ⟹ 20 + 20 + 10 = 50 ≤ 30 + 35 + 15 = 80
14) 𝑄 = {𝑞 = 2, 3, 4}:
⟹𝑟∈  𝑅 ⟹ 𝑟 ∈ 𝑅 ∪ 𝑅 ∪ 𝑅 = {𝑟 = 1, 2, 3}
q∈Qˆ
𝑃𝐵 + 𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 ⟹ 25 + 20 + 10 = 55 ≤ 30 + 35 + 15 = 80
15) 𝑄 = {𝑞 = 1, 2, 3, 4}:
⟹𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 ∪ 𝑅 ∪ 𝑅 ∪ 𝑅 = {𝑟 = 1, 2, 3}
q∈Qˆ
𝑃𝐵 + 𝑃𝐵 + 𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴
⟹ 20 + 25 + 20 + 10 = 75 ≤ 30 + 35 + 15 = 80
Produktionshalle 𝑠 = 2:
16) 𝑄 = {𝑞 = 1}:
⟹𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 = {𝑟 = 2}
q∈Qˆ
𝑃𝐵 ≤ 𝑃𝐴 ⟹ 30 ≤ 55
17) 𝑄 = {𝑞 = 2}:
⟹𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 = {𝑟 = 1, 2}
q∈Qˆ
𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 ⟹ 45 ≤ 55 + 55 = 110
18) 𝑄 = {𝑞 = 3}:
⟹𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 = {𝑟 = 1}
q∈Qˆ
𝑃𝐵 ≤ 𝑃𝐴 ⟹ 30 ≤ 55
19) 𝑄 = {𝑞 = 4}:
⟹𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 = {𝑟 = 1, 2, 3}
q∈Qˆ
𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 ⟹ 15 ≤ 55 + 55 + 20 = 130
20) 𝑄 = {𝑞 = 1, 2}:
⟹𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 ∪ 𝑅 = {𝑟 = 1, 2}
q∈Qˆ
𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 ⟹ 30 + 45 = 75 ≤ 55 + 55 = 110
21) 𝑄 = {𝑞 = 1, 3}:
⟹𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 ∪ 𝑅 = {𝑟 = 1, 2}
q∈Qˆ
𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 ⟹ 30 + 30 = 60 ≤ 55 + 55 = 110
22) 𝑄 = {𝑞 = 1, 4}:
⟹𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 ∪ 𝑅 = {𝑟 = 1, 2, 3}
q∈Qˆ
𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 ⟹ 30 + 15 = 45 ≤ 55 + 55 + 20 = 130
23) 𝑄 = {𝑞 = 2, 3}:
⟹𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 ∪ 𝑅 = {𝑟 = 1, 2}
q∈Qˆ
𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 ⟹ 45 + 30 = 75 ≤ 55 + 55 = 110
24) 𝑄 = {𝑞 = 2, 4}:
⟹𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 ∪ 𝑅 = {𝑟 = 1, 2, 3}
q∈Qˆ
Ein
Lösungen
Modellzu
zurÜbungsaufgaben
𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 ⟹ 45 + 15 = 60 ≤ 55 + 55 + 20 = 130
25) 𝑄 = {𝑞 = 3, 4}:
⟹𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 ∪ 𝑅 = {𝑟 = 1, 2, 3}
q∈Qˆ
𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 ⟹ 30 + 15 = 45 ≤ 55 + 55 + 20 = 130
26) 𝑄 = {𝑞 = 1, 2, 3}:
⟹𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 ∪ 𝑅 ∪ 𝑅 = {𝑟 = 1, 2}
q∈Qˆ
𝑃𝐵 + 𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 ⟹ 30 + 45 + 30 = 105 ≤ 55 + 55 = 110
27) 𝑄 = {𝑞 = 1, 2, 4}:
⟹𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 ∪ 𝑅 ∪ 𝑅 = {𝑟 = 1, 2, 3}
q∈Qˆ
𝑃𝐵 + 𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 ⟹ 30 + 45 + 15 = 90 ≤ 55 + 55 + 20 = 130
28) 𝑄 = {𝑞 = 1, 3, 4}:
⟹𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 ∪ 𝑅 ∪ 𝑅 = {𝑟 = 1, 2, 3}
q∈Qˆ
𝑃𝐵 + 𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 ⟹ 30 + 30 + 15 = 75 ≤ 55 + 55 + 20 = 130
29) 𝑄 = {𝑞 = 2, 3, 4}:
⟹𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 ∪ 𝑅 ∪ 𝑅 = {𝑟 = 1, 2, 3}
q∈Qˆ
𝑃𝐵 + 𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 ⟹ 45 + 30 + 15 = 90 ≤ 55 + 55 + 20 = 130
30) 𝑄 = {𝑞 = 1, 2, 3, 4}:
⟹𝑟∈ 𝑅 ⟹ 𝑟 ∈ 𝑅 ∪ 𝑅 ∪ 𝑅 ∪ 𝑅 = {𝑟 = 1, 2, 3}
q∈Qˆ
𝑃𝐵 + 𝑃𝐵 + 𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴
⟹ 30 + 45 + 30 + 15 = 120 ≤ 55 + 55 + 20 = 130
c.
Grundform:
(1) 𝑃𝐵 = 𝑃𝐸 ∀ 𝑞 ∈ 𝑄, 𝑠 ∈ 𝑆
∈
(2) 𝑃𝐸 ≤ 𝑃𝐴 ∀ 𝑟 ∈ 𝑅, 𝑠 ∈ 𝑆
∈
Produktionshalle 𝑠 = 1: Produktionshalle 𝑠 = 2:
𝑞 = 1, 𝑅 = {𝑟 = 2}: 𝑞 = 1, 𝑅 = {𝑟 = 2}:
𝑃𝐵 = 20 = 𝑃𝐸 𝑃𝐵 = 30 = 𝑃𝐸
𝑞 = 2, 𝑅 = {𝑟 = 1, 2}: 𝑞 = 2, 𝑅 = {𝑟 = 1, 2}:
𝑃𝐵 = 25 = 𝑃𝐸 + 𝑃𝐸 𝑃𝐵 = 45 = 𝑃𝐸 + 𝑃𝐸
𝑞 = 3, 𝑅 = {𝑟 = 1}: 𝑞 = 3, 𝑅 = {𝑟 = 1}:
𝑃𝐵 = 20 = 𝑃𝐸 𝑃𝐵 = 30 = 𝑃𝐸
𝑞 = 4, 𝑅 = {𝑟 = 1, 2, 3}: 𝑞 = 4, 𝑅 = {𝑟 = 1, 2, 3}:
𝑃𝐵 = 10 = 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 𝑃𝐵 = 15 = 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸
𝑟 = 1, 𝑄 = {𝑞 = 2, 3, 4}: 𝑟 = 1, 𝑄 = {𝑞 = 2, 3, 4}:
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴 = 30 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴 = 55
𝑟 = 2, 𝑄 = {𝑞 = 1, 2, 4}: 𝑟 = 2, 𝑄 = {𝑞 = 1, 2, 4}:
𝑟 = 3, 𝑄 = {𝑞 = 4}: 𝑟 = 3, 𝑄 = {𝑞 = 4}:
𝑃𝐸 ≤ 𝑃𝐴 = 15 𝑃𝐸 ≤ 𝑃𝐴 = 20
d.
Möchte der Automobilhersteller in der betrieblichen Personalplanung zusätzlich nach Peri-

oden 𝑡 ∈ 𝑇 differenzieren, so müssen alle betrachteten und von der Periode abhängigen Grö-
ßen mit einem Periodenindex versehen werden:
𝑃𝐵 ≔ Personalbedarf für die Aufgabenart 𝑞 in Produktionshalle 𝑠 in Periode 𝑡
𝑃𝐴 ≔ Personalausstattung an Arbeitskräften der Art 𝑟 in Produktionshalle 𝑠 in

Periode 𝑡
𝑃𝐸 ≔ Personaleinsatz von Arbeitskräften der Art 𝑟 für Tätigkeitsart 𝑞 in Produktions-

halle 𝑠 in Periode 𝑡
Ein
Lösungen
Modellzu
zur
Übungsaufgaben
Im impliziten Ansatz müssen dementsprechend (2 − 1) ∙ 𝑆 ∙ 𝑇 = (2 − 1) ∙ 2 ∙ 3 = 90 Ab-

stimmungen zwischen Personalbedarf und -ausstattung aufgestellt werden.
Expliziter Ansatz (𝑡 = 3):
Grundform:
(1) 𝑃𝐵 = 𝑃𝐸 ∀ 𝑞 ∈ 𝑄, 𝑠 ∈ 𝑆, 𝑡 ∈ 𝑇
∈
(2) 𝑃𝐸 ≤ 𝑃𝐴 ∀ 𝑟 ∈ 𝑅, 𝑠 ∈ 𝑆, 𝑡 ∈ 𝑇
∈
𝑞 = 1, 𝑅 = {𝑟 = 2}: 𝑞 = 1, 𝑅 = {𝑟 = 2}:
𝑃𝐵 = 20 = 𝑃𝐸 𝑃𝐵 = 30 = 𝑃𝐸
𝑞 = 2, 𝑅 = {𝑟 = 1, 2}: 𝑞 = 2, 𝑅 = {𝑟 = 1, 2}:
𝑃𝐵 = 25 = 𝑃𝐸 + 𝑃𝐸 𝑃𝐵 = 45 = 𝑃𝐸 + 𝑃𝐸
𝑞 = 3, 𝑅 = {𝑟 = 1}: 𝑞 = 3, 𝑅 = {𝑟 = 1}:
𝑃𝐵 = 20 = 𝑃𝐸 𝑃𝐵 = 30 = 𝑃𝐸
𝑞 = 4, 𝑅 = {𝑟 = 1, 2, 3}: 𝑞 = 4, 𝑅 = {𝑟 = 1, 2, 3}:
𝑃𝐵 = 10 = 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 𝑃𝐵 = 15 = 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸
𝑟 = 1, 𝑄 = {𝑞 = 2, 3, 4}: 𝑟 = 1, 𝑄 = {𝑞 = 2, 3, 4}:
𝑟 = 2, 𝑄 = {𝑞 = 1, 2, 4}: 𝑟 = 2, 𝑄 = {𝑞 = 1, 2, 4}:
𝑟 = 3, 𝑄 = {𝑞 = 4}: 𝑟 = 3, 𝑄 = {𝑞 = 4}:
𝑃𝐸 ≤ 𝑃𝐴 = 15 𝑃𝐸 ≤ 𝑃𝐴 = 20
Personalplanungen sind grundsätzlich notwendig, wenn Mehrdeutigkeiten bezüglich der

Bereitstellung und/oder der Verwendung von Arbeitskräftearten in qualitativer, lokaler oder
temporaler Hinsicht bestehen (vgl. Tabelle 2.2, Kap. 2.3).
Wir verwenden im vorliegenden Buch durchgängig den sog. dispositiven Planungsbegriff,

nach welchem man nur dann von Planung spricht, wenn der Planungsprozess auch in einer
Entscheidung mündet. Entscheiden ist somit immer der Schlussakt einer jeden Planung. Dies
wiederum führt dazu, dass Personalplanungen in solchen Fällen notwendig sind, in denen
Entscheidungen getroffen werden müssen und das ist dann der Fall, wenn Mehrdeutigkeiten
bezüglich der Personalbereitstellung oder der Personalverwendung vorliegen.
Wie Tabelle 2.2 zu entnehmen ist, wird Personalplanung somit dann notwendig, wenn
■ Arbeitskräfte einer Art (𝑟) mehreren Aufgabenarten (𝑞), mehreren Orten (𝑠) oder
mehreren Zeiträumen (𝑡) zugeordnet werden können (Fall 2),
■ Arbeitskräfte mehrerer Arten (𝑟) nur einer Aufgabenart (𝑞), nur einem Ort (𝑠) oder
nur einem Zeitraum (𝑡) zugeordnet werden können (Fall 3),
■ Arbeitskräfte mindestens einer Art (𝑟) mehreren Aufgabenarten (𝑞), mehreren Orten
(𝑠) oder mehreren Zeiträumen (𝑡) zugeordnet werden können, während bzgl. min-
destens einer Arbeitskräfteart (r) Verwendungseindeutigkeit in qualitativer, lokaler
oder temporaler Hinsicht besteht (Fall 4).
Nur in Fall 1 ist die Zuordnung von Arbeitskräftearten (𝑟) zu Aufgabenarten (𝑞), Orten(𝑠)
und /oder Zeiträumen (𝑡) eindeutig bestimmt, sodass in diesem Fall Personalplanung nicht
notwendig ist (vgl. Kossbiel 1974, S. 13 f. und 1988, S. 1094).
Offenkundig sind Mischformen denkbar, in denen Bereitstellungs- bzw. Verwendungsmehr-

deutigkeiten die qualitative, lokale und temporale Dimension in unterschiedlichen Kombi-
nationen betreffen.
Betrachten wir zur Illustration folgendes Beispiel:
Fall 1: Bereitstellungs- und Verwendungseindeutigkeit
Ein Friseur-Unternehmen bietet ausschließlich Herrenhaarschnitte (𝑞 = 1) in einem Friseur-

Salon (𝑠 = 1) an. Aufgrund dessen, dass die Öffnungszeiten Montag bis Freitag in der Zeit
von 10:00 – 18:00 Uhr liegen, gibt es nur eine Schicht (𝑡 = 1), nach der in diesem Salon gear-
beitet wird. Die angestellten Friseure seien als Friseure der Art 1 (𝑟 = 1) bezeichnet.
a) Es liegt qualitative Bereitstellungs- und Verwendungseindeutigkeit vor, da für die

Durchführung der Herrenhaarschnitte ausschließlich Friseure der Art 1 bereitgestellt und
die Friseure der Art 1 ausschließlich für die Durchführung der Herrenhaarschnitte ver-
wendet werden können.
Ein Modellzu
𝑞=1 𝑟=1
Herrenhaarschnitte Friseure
b) Es liegt lokale Bereitstellungs- und Verwendungseindeutigkeit vor, da in dem Friseur-

Salon ausschließlich Friseure der Art 1 bereitgestellt und diese Friseure ausschließlich in
diesem Friseur-Salon verwendet werden können.
𝑠=1 𝑟=1
Friseur-Salon Friseure
c) Es liegt temporale Bereitstellungs- und Verwendungseindeutigkeit vor, da für die einzig

verfügbare Schicht ausschließlich Friseure der Art 1 bereitgestellt und diese Friseure aus-
schließlich innerhalb dieser Schicht verwendet werden können.
𝑡=1 𝑟=1
Schicht Friseure
Fall 2: Bereitstellungsein- und Verwendungsmehrdeutigkeit
Das Friseur-Unternehmen möchte nun zusätzlich zu den Herrenhaarschnitten (𝑞 = 1) auch

Rasuren (𝑞 = 2) anbieten und zusätzlich zum ersten Friseursalon (𝑠 = 1) einen weiteren Fri-
seursalon (𝑠 = 2) eröffnen. Weiterhin sollen die Öffnungszeiten in beiden Salons in Zukunft
Montag bis Freitag in der Zeit von 8:00 – 20:00 Uhr liegen und es soll in zwei Schichten 𝑡 = 1
(8:00 – 14:00 Uhr) und 𝑡 = 2 (14:00 – 20:00 Uhr) gearbeitet werden.
a) Es liegt qualitative Bereitstellungsein- und Verwendungsmehrdeutigkeit vor, da für die

Durchführung der Herrenhaarschnitte und der Rasuren jeweils ausschließlich Friseure
der Art 1 bereitgestellt und diese Friseure sowohl für die Durchführung der Herrenhaar-
schnitte als auch für die der Rasuren verwendet werden können.
𝑞=1
Herrenhaarschnitte
𝑟=1
Friseure
𝑞=2
Rasuren
b) Es liegt lokale Bereitstellungsein- und Verwendungsmehrdeutigkeit vor, da in beiden Fri-

seur-Salons ausschließlich Friseure der Art 1 bereitgestellt und diese Friseure sowohl im
ersten als auch im zweiten Friseur-Salon verwendet werden können.
𝑠=1
Salon 1
𝑟=1
Friseure
𝑠=2
Salon 2
c) Es liegt temporale Bereitstellungsein- und Verwendungsmehrdeutigkeit vor, da für die

beiden verfügbaren Schichten ausschließlich Friseure der Art 1 bereitgestellt und diese
Friseure sowohl innerhalb der ersten als auch innerhalb der zweiten Schicht verwendet
werden können.
𝑡=1
Schicht 1
𝑟=1
Friseure
𝑡=2
Schicht 2
Fall 3: Bereitstellungsmehr- und Verwendungseindeutigkeit
Das Friseur-Unternehmen beschäftigt nun in Abgrenzung zu Fall 1 zusätzlich zu den Friseu-

ren der Art 1 (𝑟 = 1) noch Friseure der Art 2 (𝑟 = 2).
a) Es liegt qualitative Bereitstellungsmehr- und Verwendungseindeutigkeit vor, da für die

Durchführung der Herrenhaarschnitte sowohl Friseure der Art 1 als auch Friseure der
Art 2 bereitgestellt und beide Kategorien von Friseuren ausschließlich für die Durchfüh-
rung der Herrenhaarschnitte verwendet werden können.
𝑟=1
Friseure Art 1
𝑞=1
Herrenhaarschnitte
𝑟=2
Friseure Art 2
b) Es liegt lokale Bereitstellungsmehr- und Verwendungseindeutigkeit vor, da in dem Fri-

seur-Salon sowohl Friseure der Art 1 als auch Friseure der Art 2 bereitgestellt und die
Friseure ausschließlich in diesem Friseur-Salon verwendet werden können.
Ein Modellzu
𝑟=1
Friseure Art 1
𝑠=1
Friseur-Salon
𝑟=2
Friseure Art 2
c) Es liegt temporale Bereitstellungsmehr- und Verwendungseindeutigkeit vor, da für die

einzig verfügbare Schicht sowohl Friseure der Art 1 als auch Friseure der Art 2 bereitge-
stellt und die Friseure ausschließlich innerhalb dieser Schicht verwendet werden können.
𝑟=1
Friseure Art 1
𝑞=1
Schicht 1
𝑟=2
Friseure Art 2
Fall 4: Bereitstellungs- und Verwendungsmehrdeutigkeit
Das Friseur-Unternehmen beschäftige nun wiederum Friseure der Art 1 (𝑟 = 1) und Friseure
der Art 2 (𝑟 = 2). Außerdem möchte es nun zusätzlich zu den Herrenhaarschnitten (𝑞 = 1)
auch Rasuren (𝑞 = 2) anbieten sowie zusätzlich zum ersten Friseur-Salon (𝑠 = 1) einen wei-
teren Friseur-Salon (𝑠 = 2) eröffnen. Weiterhin sollen die Öffnungszeiten in beiden Salons in
Zukunft Montag bis Freitag in der Zeit von 8:00 – 20:00 Uhr liegen und es soll in zwei Schich-
ten 𝑡 = 1 (8:00 – 14:00 Uhr) und 𝑡 = 2 (14:00 – 20:00 Uhr) gearbeitet werden.
In diesem Fall können a1) Friseure der Art 1 sowohl zur Erledigung von 𝑞 = 1 als auch von
𝑞 = 2 herangezogen werden und a2) Friseure der Art 2 nur für Rasuren verwendet werden,
b1) Friseure der Art 1 in beiden Salons (𝑠 = 1, 2) und b2) Friseure der Art 2 nur in Salon 𝑠 =
2 und c1) Friseure der Art 1 innerhalb beider Schichten (𝑡 = 1, 2) und c2) Friseure der Art 2
nur in Schicht 𝑡 = 2 arbeiten.
a) Es liegt qualitative Bereitstellungs- und Verwendungsmehrdeutigkeit vor, da für die

Durchführung der Rasuren sowohl Friseure der Art 1 als auch Friseure der Art 2 bereit-
gestellt und die Friseure der Art 1 sowohl für die Durchführung der Herrenhaarschnitte
als auch für die der Rasuren verwendet werden können. Bezüglich der Friseure der Art
2 besteht jedoch qualitative Verwendungseindeutigkeit und bezüglich der Herrenhaar-
schnitte qualitative Bereitstellungseindeutigkeit.
𝑞=1 𝑟=1
Herrenhaarschnitte Friseure Art 1
𝑞=2 𝑟=2
Rasuren Friseure Art 2
b) Es liegt lokale Bereitstellungs- und Verwendungsmehrdeutigkeit vor, da in Friseur-Salon

2 sowohl Friseure der Art 1 als auch Friseure der Art 2 bereitgestellt und die Friseure der
Art 1 sowohl im ersten als auch im zweiten Friseur-Salon verwendet werden können.
Bezüglich der Friseure der Art 2 besteht jedoch lokale Verwendungseindeutigkeit und
bezüglich Salon 1 lokale Bereitstellungseindeutigkeit.
𝑠=1 𝑟=1
Salon 1 Friseure Art 1
𝑠=2 𝑟=2
Salon 2 Friseure Art 2
c) Es liegt temporale Bereitstellungs- und Verwendungsmehrdeutigkeit vor, da für Schicht

2 sowohl Friseure der Art 1 als auch Friseure der Art 2 bereitgestellt und die Friseure der
Art 1 sowohl innerhalb der ersten als auch innerhalb der zweiten Schicht verwendet wer-
den können. Bezüglich der Friseure der Art 2 besteht jedoch temporale Verwendungsein-
deutigkeit und bezüglich der Schicht 1 temporale Bereitstellungseindeutigkeit.
𝑡=1 𝑟=1
Schicht 1 Friseure Art 1
𝑡=2 𝑟=2
Schicht 2 Friseure Art 2
Es fällt auf, dass in Fällen mit gleichzeitiger Bereitstellungs- und Verwendungsmehrdeutig-

keit auch partielle Bereitstellungs- und partielle Verwendungseindeutigkeit vorliegt. Dies ist
deshalb notwendig, da ansonsten alle Arbeitskräftearten in allen Aufgabenarten, an allen
Orten und zu allen Zeiten eingesetzt werden könnten und daher kein Anlass bestünde, ent-
sprechende Arten 𝑞, 𝑟, 𝑠 und 𝑡 zu differenzieren.
Ein
Lösungen
Modellzu
zur
Übungsaufgaben
Im „klassischen Schema der Personalplanung“ wird von Personalbeständen gesprochen.

Diese Bestände thematisieren in diesem Zusammenhang ausschließlich die Anzahl an ver-
fügbaren Arbeitskräften und weder deren Art (wie bspw. die Qualifikationen der Arbeits-
kräfte) noch den Ort (wie bspw. Unternehmensstandorte) oder die Zeit (wie bspw. Schichten)
ihrer Verfügbarkeit. Somit ermöglicht die reine Betrachtung des Personalbestands lediglich
Aussagen über den Umfang und nicht über die Struktur des verfügbaren Personals.
Außerdem werden im „klassischen Schema der Personalplanung“ der Personalbestand und

der Personalbedarf gleichgesetzt (Soll-Personalbestand = Brutto-Personalbedarf; Ist-Perso-
nalbestand + Abgänge – Zugänge = Netto-Personalbedarf). Dies erscheint nicht zweckmäßig,
da der Personalbedarf angibt, wie viele Arbeitskräfte zur Erledigung der Betriebsaufgaben
benötigt werden und somit nicht notwendig der Anzahl der dem Betrieb tatsächlich zur Ver-
fügung stehenden Arbeitskräfte (hier als Personalbestand bezeichnet) entspricht (einfach ge-
sagt: Haben ≠ Brauchen).
Betrachten wir zur Illustration folgendes Beispiel:
Eine Bäckerei beschäftigt fünf Bäcker und drei Verkäufer. Genau diese Anzahl an Bäckern
und Verkäufern wird benötigt, um den Bedarf an Bäckern und Verkäufern zu decken. Dem-
entsprechend wäre der Soll-Personalbestand (oder Brutto-Personalbedarf) in diesem Fall
acht (5+3) und der Ist-Personalbestand ebenfalls acht (5+3). Wenn wir davon ausgehen, dass
ein Verkäufer kündigt und ein weiterer Bäcker eingestellt würde, ergebe sich folgendes Bild:
8 (Soll-Personalbestand o. Brutto-Personalbedarf)
− 8 (Ist-Personalbestand)
+ 1 (Abgänge)
− 1 (Zugänge)
= 0 (Netto-Personalbedarf)
Sieht man zunächst von der oben beschriebenen Begriffsproblematik ab, stellt man fest, dass
die Gleichung „aufgeht“ und keine Personalengpässe existieren. Betrachtet man ausschließ-
lich die Anzahl an vorhandenem Personal, so entsprächen die acht verfügbaren den acht be-
nötigten Arbeitskräften. Wirft man hingegen einen Blick auf die Struktur des Personals (hier
in Form der Qualifikationsarten Bäcker und Verkäufer), fällt auf, dass der Bedarf von drei
benötigten durch die zwei verfügbaren Verkäufer nicht gedeckt werden kann.
Die rein mengenmäßige Betrachtung des verfügbaren Personals in Form von Personalbestän-
den führt also dazu, dass strukturelle Personalengpässe nicht erkannt werden können. Au-
ßerdem suggeriert in diesem Beispiel die Ausprägung des Netto-Personalbedarfs i. H. v. null,
dass kein (zusätzliches) Personal benötigt wird. Wie oben beschrieben, werden hier aber fünf
Bäcker und drei Verkäufer benötigt.
Deshalb wird im vorliegenden Buch von Personalausstattungen, welche die Art und Anzahl
der dem Betrieb zu einer gewissen Zeit an einem gewissen Ort verfügbaren Arbeitskräfte
beschreibt, gesprochen. Diese sind getrennt von Personalbedarf zu betrachten und mit die-
sem entsprechend implizit oder explizit abzustimmen.
18 Lösungen zu Übungsaufgaben aus
Teil 2
Neben dem kalendarischen Zeitbezug können kurz-, mittel- und langfristige Personalpla-
nungen auch hinsichtlich ihres Ausmaßes an Freiheitsgraden voneinander abgegrenzt wer-
den. Im Speziellen geht es dabei um die Differenzierung nach dem Umfang an innerhalb des
verwendeten Planungsansatzes frei variierbaren Größen, über welche Entscheidungen zu
treffen sind.
Kurzfristige Planungen werden in diesem Zusammenhang als solche mit den wenigsten Frei-
heitsgraden verstanden. Dazu gehören i.d.R. Probleme der reinen Personaleinsatzplanung,
insofern als der Personaleinsatz bei diesen die einzige Größe darstellt, über die entschieden
werden soll, während Personalbedarfe und -ausstattungen als Daten vorliegen.
Mittelfristige Planungen weisen – wie schon der Begriff – ein mittleres Ausmaß an Freiheits-
graden auf. Reine Bereitstellungs- und Verwendungsplanungen, bei denen jeweils nur eine
Größe (im ersten Fall der Personalbedarf, im zweiten Fall die Personalausstattung) als Datum
vorliegt, zählen in diesem Zusammenhang eher zu den mittelfristigen Planungen.
Langfristige Planungen werden als solche mit den meisten Freiheitsgraden klassifiziert.
Hierzu gehören insbesondere simultane Planungen, innerhalb derer gleichzeitig über Perso-
nalbedarf, -ausstattung und -einsatz sowie über mindestens einen weiteren betrieblichen
Funktionsbereich zu entscheiden ist.
Der Begriff der Erklärung ist in der deutschen Sprache grundsätzlich mit unterschiedlichen
Interpretationen verbunden. Das semantische Spektrum des Begriffs umfasst dabei vor-
nehmlich Deutungen im Sinne von Rekonstruktion, Deklaration und Explikation.
Unter Erklärung im Sinne der Rekonstruktion versteht man die Darlegung, Erläuterung, Ver-
anschaulichung oder Aufklärung. Erklärung im Sinne der Deklaration bedeutet hingegen so
viel wie Verkündigung, Kundmachung. Diese Begriffsdeutungen sind für uns im Kontext
des wissenschaftlichen Arbeitens weniger von Relevanz. Viel mehr interessiert uns in diesem
Zusammenhang die Erklärung von Sachverhalten bzw. Phänomenen im Sinne der Explika-
tion. Wenn wir uns als Betrieb beispielsweise fragen, warum unsere Kapitalausstattung die
aktuelle Struktur aufweist, wieso der Aktienkurs eine gewisse Entwicklung genommen hat
oder weshalb die Produktivität in der Fertigungsabteilung zurückgegangen ist, sind wir da-
mit beschäftigt, Ursachen, Wirkungen und entsprechende Zusammenhänge zu ergründen.
Aus betriebswirtschaftlicher Sicht kann die Erklärung dabei bezüglich autonomer oder
(selbst) induzierter Veränderungen erfolgen. Erklärungsmodelle dienen dann dazu, sofern
https://doi.org/10.1007/978-3-658-25935-8_18
möglich, eben geschehene Veränderungen betriebswirtschaftlicher Sachverhalte ökonomisch

zu erklären. Wir suchen also nach den Hintergründen autonomer, auf deren Zustandekom-
men wir selbst wenig bis keinen Einfluss haben, sowie nach Begründungen der von uns in-
duzierten Änderungen von Sachverhalten oder Phänomenen (vgl. weiterführend Kotte 2018,
S. 10 ff.).
Im Bereich der Personalwirtschaft geht es häufig (und sinnvollerweise) um letztgenannte,

durch vergangene Personalentscheidungen herbeigeführte Veränderungen. Wir können uns
also retrospektiv fragen, warum bestimmte Entscheidungen in Bezug auf das betriebliche
Personal so getroffen worden sind, wie sie getroffen wurden und ob die mit diesen Entschei-
dungen einhergegangenen Wirkungen ökonomisch sinnvoll sind. In diesem Zusammenhang
ist dann bspw. zu klären, welche Entscheidungen zur Zusammensetzung der aktuellen Per-
sonalausstattung geführt haben und inwieweit diese quantitativ sowie strukturell ökono-
misch sinnvoll gestaltet ist. Dabei ist allerdings anzumerken, dass sich die tatsächliche
Durchführung einer derartigen Analyse aufgrund der benötigten Kenntnisse über alle Ent-
scheidungsmodelle, alle Erwartungen (bzgl. Bedingungen und Wirkungen) der Entscheider
sowie über alle von diesen erwogenen Ziele und Handlungsalternativen (etc.) zu allen ver-
gangenen Entscheidungszeitpunkten als durchaus schwierig erweisen kann bzw. zumindest
keinen Anspruch auf Vollständigkeit erheben kann (vgl. Spengler 1999, S. 60 ff.).
Der Personaleinsatz fungiert als Bindeglied zwischen dem Personalbedarf und der -ausstat-
tung. Dementsprechend erfolgt über ihn die konkrete Zuordnung von hinreichend qualifi-
zierten Arbeitskräften einer oder mehrerer Kategorien zur Erledigung der anfallenden Be-
darfe. Wenn der optimale Personaleinsatz im Leistungsprozess feststünde, dann kann aus
diesem über den expliziten Ansatz der Personalbedarf automatisch errechnet werden. Stehen
zudem der optimale Personaleinsatz in Leih- und Schulungsprozessen sowie ggf. der Nicht-
Einsatz von Arbeitskräften fest, kann aus dem expliziten Ansatz auch die Personalausstat-
tung bestimmt werden. Durch die Vorschrift 𝑃𝐸 ≤ 𝑃𝐴 könnte diese zwar auch größer als der
feststehende Personaleinsatz werden, dies wäre jedoch ökonomisch nicht rational.
Um beispielhaft zeigen zu können, dass der Personaleinsatz (im Gegensatz zu Personalbe-

darf und -ausstattung) nie als Datum und dementsprechend stets als Variable in Ansatz zu
bringen ist, sind (unter Vernachlässigung von Leihen, Schulungen und Nicht-Einsatz) drei
Konstellationen zu prüfen:
(a) 𝑃𝐵, 𝑃𝐴
(b) 𝑃𝐵, 𝑃𝐴
(c) 𝑃𝐵, 𝑃𝐴
Zu (a): In Fällen, in denen der Personalbedarf als Datum vorliegt, stehen definitionsgemäß
Art und Umfang der zu deckenden Bedarfe sowie Ort und Zeit ihrer Erledigung fest. Ist die
Personalausstattung variabel, so ist über deren Ausprägung grundsätzlich in allen vier ge-
nannten Dimensionen zu entscheiden. Würde in diesem Fall der Personaleinsatz jedoch auch
Ein Modellzu
als Datum vorliegen, also die konkrete (optimale) Zuordnung von Arbeitskräften aus der
Personalausstattung zu den gegebenen Personalbedarfen bereits erfolgt sein, ergäbe sich die
(optimale) Personalausstattung wiederum aus dieser Zuordnung und wäre somit nicht vari-
abel.
Betrachten wir zur Veranschaulichung folgendes Beispiel:
𝑃𝐵 = 𝑃𝐵 = 10; 𝑅 = {1,3}; 𝑅 = {2,3}; 𝑃𝐸 = 𝑃𝐸 = 5; 𝑃𝐸 = 7; 𝑃𝐸 =3
𝑃𝐵 = 10 ≤ 𝑃𝐸 + 𝑃𝐸 =5+5
𝑃𝐵 = 10 ≤ 𝑃𝐸 + 𝑃𝐸 = 7+3
Dadurch, dass je fünf Arbeitskräfte der Art 𝑟 = 1 bzw. 𝑟 = 3 der Bedarfsdeckung von 𝑞 = 1
und sieben Arbeitskräfte der Art 𝑟 = 2 bzw. drei der Art 𝑟 = 3 der Bedarfsdeckung von 𝑞 =
2 zugeordnet sind, ergibt sich sinnvollerweise für die Personalausstattungen 𝑃𝐴 , 𝑃𝐴 und
𝑃𝐴 :
𝑃𝐴 = 𝑃𝐸 =5
𝑃𝐴 = 𝑃𝐸 =7
𝑃𝐴 = 𝑃𝐸 + 𝑃𝐸 = 5+3= 8
Es wäre unzulässig, weniger als diese Anzahl von Arbeitskräften in jeder Kategorie bereit-
zustellen, und ökonomisch irrational, mehr als diese Anzahl von Arbeitskräften in jeder Ka-
tegorie bereitzustellen. Folglich gibt es in diesem Fall nichts zu entscheiden und die Perso-
nalausstattung wäre ebenfalls ein Datum.
Zu (b): Ist die Personalausstattung gegeben und der Personalbedarf variabel, würde ein eben-
falls gegebener Personaleinsatz auch an dieser Stelle dazu führen, dass keine Entscheidung
zu treffen wäre. Denn auch in einem solchen Fall ergibt sich der vermeintlich variable Perso-
nalbedarf aus den gegebenen -ausstattungen und -einsätzen:
𝑅 = {1,3}; 𝑅 = {2,3}; 𝑃𝐸 = 𝑃𝐸 = 5; 𝑃𝐸 = 7; 𝑃𝐸 = 3;
𝑃𝐴 = 5; 𝑃𝐴 = 7; 𝑃𝐴 = 8
𝑃𝐴 = 5 ≥ 𝑃𝐸 =5
𝑃𝐴 = 7 ≥ 𝑃𝐸 =7
𝑃𝐴 = 8 ≥ 𝑃𝐸 + 𝑃𝐸 = 5+3=8
𝑃𝐵 ≤ 𝑃𝐸 + 𝑃𝐸 = 5 + 5 = 10  Durch den Einsatz von 10 Arbeitskräften kann

nur ein Bedarf von maximal 10 gedeckt wer-
den.
𝑃𝐵 ≤ 𝑃𝐸 + 𝑃𝐸 = 7 + 3 = 10  Durch den Einsatz von 10 Arbeitskräften kann

nur ein Bedarf von maximal 10 gedeckt wer-
den.
Einen Bedarf von mehr als 10 Arbeitskräften pro Bedarfsart zu bestimmen, ist dementspre-
chend unzulässig, und Bedarfe von jeweils weniger als 10 Arbeitskräften anzusetzen, wäre
ökonomisch irrational. Es folgt, dass auch im zweiten Fall keine Entscheidung zu treffen
wäre und der Personalbedarf ebenfalls als Datum feststünde.
Zu (c): Im dritten Fall wären sowohl Personalbedarf als auch -ausstattung als auch -einsatz
gegebene Größen und über keine der drei Größen wäre zu entscheiden.
Zusammenfassend lässt sich also festhalten, dass in keinem der beschriebenen Fälle, in denen
der Personaleinsatz als Datum in einen Personalplanungsansatz einginge, Entscheidungen
zu treffen sind. Aufgrund dessen, dass wir in diesem Buch den dispositiven Planungsbegriff
zugrunde legen und planen dementsprechend auch stets entscheiden impliziert, ist es also
nicht sinnvoll, den Personaleinsatz als Datum in Entscheidungsmodelle zur Personalplanung
eingehen zu lassen.
Bei Selektionsentscheidungen bezüglich zukünftigen Personals greifen wir in der Regel auf
die Feststellung der Eignung eines Individuums für gewisse Stellen oder bestimmte Aufga-
ben zurück. Eignung ist dabei als Profilabgleich zwischen dem sog. Anforderungsprofil
(bspw. der Stelle) und dem sog. Qualifikationsprofil des Kandidaten definiert. Vor diesem
Hintergrund können Monte Carlo-Simulationen im Rahmen der Personalrekrutierung bei-
spielsweise in zwei Formen eingesetzt werden:
(a) Zur Bestimmung der Anzahl der Fälle, in denen sich ein Bewerber, dessen Qualifikati-
onsprofil (zumindest in Teilen) unsicher ist, als geeignet erweist.
(b) Zur Bestimmung der Wahrscheinlichkeiten für die Ausprägungen einer Qualifikation bei
einem Bewerber.
Zu (a): Im ersten Fall sind die möglichen Ausprägungen der Qualifikationen eines Individu-
ums mit Wahrscheinlichkeitsurteilen zu belegen und darauf aufbauend stichprobenartig
„Qualifikationsszenarien“ zu simulieren. Nach einer zuvor festgelegten Anzahl simulierter
Szenarien wird dann überprüft, in wie vielen dieser Fälle der Abgleich des Qualifikations-
mit dem Anforderungsprofil bspw. zu dem Urteil „Bewerber ist geeignet“ führt. Auf Basis
dieser Simulationsergebnisse kann dann bspw. entschieden werden, ob das Individuum in
der Erwartung des Unternehmens als eher geeignet oder eher ungeeignet eingestuft wird.
Zu (b): Im zweiten Fall könnte über die die Ausprägung einer Qualifikation bestimmenden
Faktoren analog eine Simulation durchführen. Diese ergibt die Anzahl der Szenarien, in de-
nen die betreffende Person eine Qualifikation in einer bestimmten Ausprägung besitzt oder
nicht besitzt. Durch die Bildung relativer Häufigkeiten kommt man zu einem entsprechen-
den Wahrscheinlichkeitsurteil bezüglich der Qualifikationsausprägung.
Lösungen
Ein Modellzu Übungsaufgaben
zur aus Teil 2und Personalplanung in Zeiten der Digitalisierung
simultanen Investitions- 291
Beispiel:
Anzahl der Szenarien, in denen Person Qualifikationsausprägung besitzt

Gesamtanzahl der Szenarien
Die Akronyme MADM und MODM stehen für „Multi Attribute Decision Making“ und
„Multi Objective Decision Making“. Der wesentliche Unterschied zwischen diesen beiden
Teilgebieten des „Multi Criteria Decision Making“ (also der Mehrzielentscheidungen) liegt
in der Beschaffenheit ihrer Lösungsräume. Während bei Entscheidungen aus dem MADM-
Bereich diskrete (ex ante vollständig bekannte) Alternativen vorliegen, sind die Lösungs-
räume bei MODM-Problemen stetig. Das bedeutet, dass bei multiattributiven Entschei-
dungsmodellen mehrere, explizit ausgewiesene Alternativen hinsichtlich verschiedener Kri-
terien zu bewerten sind und darauf aufbauend die beste auszuwählen ist. Eine solche Ent-
scheidungssituation wird in der Regel als Entscheidungsmatrix dargestellt und kann je nach
Informationsstand und Skalenniveau der verwendeten Kriterien über verschiedenste An-
sätze (bspw. Minimax- oder Maximax-Regel (vgl. Wald 1949), Analytical Hierarchy Process
(AHP) (vgl. Saaty 1980 und 1990), Technique for Ordering Preferences by Similarity to Ideal
Solution (TOPSIS) (vgl. Hwang/Yoon 1981), etc.) gelöst werden:
Im Fall der MODM-Probleme hingegen sind die Alternativen nicht vorab bestimmt, sondern
ergeben sich als Kombinationen von Entscheidungsvariablenausprägungen, welche den gel-
tenden Restriktionen genügen. Die Menge der Alternativen wird also durch alle zulässigen
Lösungen eines Optimierungsproblems determiniert. Die Bestimmung der besten aus der
Menge der zulässigen Lösungen erfolgt dann über die Extremierung mehrerer (möglicher-
weise konfliktärer) Zielfunktionen.
a.
Eine mathematische Funktion bildet die Elemente einer Menge 𝑋 ≔ {𝑥} in die Elemente einer
anderen Menge 𝑌 ≔ {𝑦} ab. Das bedeutet, dass durch die entsprechende Funktion jedem Ele-
ment 𝑥 ∈ 𝑋 genau ein Element 𝑦 ∈ 𝑌 zugeordnet wird (vgl. bspw. Ohse 1998). Formal ausge-
drückt schreiben wir dann:
𝑓: 𝑋 → 𝑌 oder 𝑋 → 𝑌
[Lies: 𝑓 ist eine Abbildung von (der Menge) 𝑋 in (die Menge) 𝑌.]
𝑓: 𝑥 → 𝑦 oder 𝑥 → 𝑦
[Lies: 𝑓 bildet die Elemente 𝑥 (eindeutig) in die Elemente 𝑦 ab.]
Wir können die oben beschriebene Abhängigkeit der Elemente aus den Mengen 𝑋 und 𝑌
ebenso als Funktionsgleichung der Form 𝑓(𝑥) = 𝑦 [Lies: „𝑓 von 𝑥 ist gleich 𝑦“] schreiben.
Eine Funktion (oder auch Abbildung) kann zudem als sog. eindeutige und eineindeutige Ab-
bildung von 𝑋 in 𝑌 vorliegen. Im ersten Fall wird zwar jedem 𝑥 genau ein 𝑦 zugeordnet,
mehreren 𝑥 kann jedoch dasselbe 𝑦 zugewiesen werden. Bei eineindeutigen Funktionen hin-
gegen wird jedem 𝑥 ein anderes 𝑦 zugeordnet. Betrachten wir zur Veranschaulichung die
beiden Funktionen 𝑓 𝑥 𝑥 𝑦 und 𝑓 𝑥 2𝑥 𝑦 sowie deren Funktionsverläufe (vgl.
Abbildung 18.1):
Abbildung 18.1 Beispiele für Funktionsverläufe
𝑦 𝑦
𝑥 𝑦 2𝑥 𝑦
𝑥 𝑥
𝑥 𝑥 𝑥
Während bei der Funktion 𝑓 𝑥 𝑥 𝑦 den Elementen 𝑥 und 𝑥 dasselbe Element 𝑦 zu-
gewiesen wird, ordnet die Funktion 𝑓 𝑥 2𝑥 𝑦 jedem 𝑥 stets unterschiedliche 𝑦 zu. Die
linke Funktion ist dementsprechend eine eindeutige und die rechte eine eineindeutige Ab-
bildung von 𝑋 in 𝑌.
Eine Zugehörigkeitsfunktion ist eine spezielle mathematische Funktion. Sie stellt die Zuord-
nung der Elemente 𝑥 einer oben beschriebenen klassischen Menge 𝑋 zu einer unscharfen
Aussage (unscharfe Menge 𝑀) über sog. Zugehörigkeitswerte dar. Die Zugehörigkeitsfunk-
tion 𝜇 𝑥 ist dabei definiert als Abbildung von Elementen einer Grundmenge 𝑋 in die
Menge der reellen Zahlen von 0 bis 1:
𝜇 : 𝑋 → 0,1
Dementsprechend wird jedem Element 𝑥 genau ein Element aus dem Intervall 0,1 zuge-
ordnet.
b.
Abbildung 18.2 zeigt den Grafen der Zugehörigkeitsfunktion zum Beispiel auf S. 48. Bei die-
sem ist zu beachten, dass er aufgrund dessen, dass die Grundmenge 𝑋 ≔ 𝑥|𝑥
Herr A, Frau B, Herr C, Herr D, Frau E, Frau F diskret ist, nur aus einzelnen Punkten besteht.
Ein Modellzu
Abbildung 18.2 Graf der Zugehörigkeitsfunktion zur unscharfen Menge „Motivierte Mit-
arbeiter“
𝜇 (𝑥)
1
𝑥
𝐻𝑒𝑟𝑟 𝐴 𝐹𝑟𝑎𝑢 𝐵 𝐻𝑒𝑟𝑟 𝐶 𝐻𝑒𝑟𝑟 𝐷 𝐹𝑟𝑎𝑢 𝐸 𝐹𝑟𝑎𝑢 𝐹
Dies könnte man verändern, indem die diskreten Punkte des Grafen durch sog. Polygon-
züge, die z.B. linear verlaufen können, verbunden werden (vgl. Abbildung 18.3).
Abbildung 18.3 Graf der Zugehörigkeitsfunktion zur unscharfen Menge „Motivierte Mit-
arbeiter“ mit Polygonzügen
𝜇 (𝑥)
1
𝑥
𝐻𝑒𝑟𝑟 𝐴 𝐹𝑟𝑎𝑢 𝐵 𝐻𝑒𝑟𝑟 𝐶 𝐻𝑒𝑟𝑟 𝐷 𝐹𝑟𝑎𝑢 𝐸 𝐹𝑟𝑎𝑢 𝐹
Somit würde künstlich aus einer diskreten eine stetige Funktion. In einem solchen Fall
müsste man inhaltlich allerdings davon ausgehen, dass es innerhalb der Grundmenge bspw.
zwischen Herrn A und Frau B (unendlich viele) weitere Individuen gäbe, denen ebenfalls
Zugehörigkeitswerte zur Menge der motivierten Mitarbeiter zugeordnet würden.
Anders verhält es sich, wenn wir bspw. die zu leistenden Arbeitsstunden pro Woche ℎ ∈
[20,60] jedes einzelnen der sechs Mitarbeiter hinsichtlich der unscharfen Aussage „zufrie-
denstellende Arbeitszeit“ (𝐴) beurteilen. In diesem Zusammenhang könnte für Herrn D
bspw. Folgendes gelten:
1 für h < 35
𝐴 ≔ {(ℎ, 𝜇 (ℎ))|ℎ ∈ [20,60]} mit 𝜇 (ℎ) ≔ für 35 ≤ h ≤ 55
0 für h > 55
Dementsprechend gehören für Herrn D Arbeitsstunden pro Woche bis einschließlich ℎ = 35

vollständig zur Menge der zufriedenstellenden Arbeitszeiten , wöchentliche Arbeitsstunden
zwischen 35 und 55 hingegen nur zu einem gewissen linear absteigenden Grad und eine
Arbeitszeit von 55 oder mehr Stunden vollständig nicht zu den zufriedenstellenden Arbeits-
zeiten. Der Graf dieser Zugehörigkeitsfunktion ist in Abbildung 18.4 dargestellt.
Abbildung 18.4 Graf der Zugehörigkeitsfunktion zur unscharfen Menge „Zufriedenstel-

lende Arbeitszeit“
𝜇 (ℎ)
1
10 20 30 40 50 ℎ
Kommen in einem Vektoroptimierungsproblem [VOP] beide Arten von Extremierungsvor-

schriften (bspw. 𝑘 = 1, … , 𝐾 Maximierungsziele und 𝑘 ∗ = 1, … , 𝐾 ∗ Minimierungsziele) vor,
sind entweder (a) die Koeffizienten 𝑐 der zu maximierenden Zielfunktionen mit (−1) zu
multiplizieren und der entstehende Zielfunktionsvektor zu minimieren oder (b) die Koeffi-
zienten 𝑐 ∗ der zu minimierenden Zielfunktionen mit (−1) zu multiplizieren und der entste-
hende Zielfunktionsvektor zu maximieren:
Ein
Lösungen
Modellzu
zur
Übungsaufgaben
Zu (a):
⎡ 𝑐 ∙ 𝑥 → max! ⎤ ⎡ −𝑐 ∙ 𝑥 ⎤
⎢ ∈ ⎥ ⎢ ∈ ⎥
⎢ ⋮ ⎥ ⎢ ⋮ ⎥
⎢ ⎥ ⎢ ⎥
⎢ 𝑐 ∙ 𝑥 → max! ⎥ ⎢ −𝑐 ∙ 𝑥 ⎥
⎢ ∈ ⎥ ⎢ ∈ ⎥
⎢ ⎥ ⇒ ⎢ ⎥ → min!
⎢ 𝑐 ∙ 𝑥 → min! ⎥ ⎢ 𝑐 ∙𝑥 ⎥
⎢ ∈ ⎥ ⎢ ∈ ⎥
⎢ ⋮ ⎥ ⎢ ⋮ ⎥
⎢ ⎥ ⎢ ⎥
⎢ 𝑐 ∗ ∙ 𝑥 → min!⎥ ⎢ 𝑐 ∗ ∙𝑥 ⎥
⎣ ∈ ⎦ ⎣ ∈ ⎦
Durch die Minimierung der Zielfunktionen −𝑐 ∙ 𝑥 ∀ 𝑘 ∈ 𝐾 wird der jeweilige Ziel-

∈
funktionswert in Richtung −∞ „gedrückt“. Das führt dazu, dass die Ausprägungen der 𝑥
im Optimum so groß wie möglich sein werden. Dementsprechend führt die Minimierung
einer „negativen Zielfunktion“ zur Maximierung der Variablenausprägungen.
Zu (b):
⎡ 𝑐 ∙ 𝑥 → max! ⎤ ⎡ 𝑐 ∙𝑥 ⎤
⎢ ∈ ⎥ ⎢ ∈ ⎥
⎢ ⋮ ⎥ ⎢ ⋮ ⎥
⎢ ⎥ ⎢ ⎥
⎢ 𝑐 ∙ 𝑥 → max! ⎥ ⎢ 𝑐 ∙𝑥 ⎥
⎢ ∈ ⎥ ⎢ ∈ ⎥
⎢ ⎥ ⇒ ⎢ ⎥ → max!
⎢ 𝑐 ∙ 𝑥 → min! ⎥ ⎢ −𝑐 ∙ 𝑥 ⎥
⎢ ∈ ⎥ ⎢ ∈ ⎥
⎢ ⋮ ⎥ ⎢ ⋮ ⎥
⎢ ⎥ ⎢ ⎥
⎢ 𝑐 ∗ ∙ 𝑥 → min!⎥ ⎢ −𝑐 ∗ ∙ 𝑥 ⎥
⎣ ∈ ⎦ ⎣ ∈ ⎦
∗
Durch die Maximierung der Zielfunktionen −𝑐 ∗ ∙ 𝑥 ∀ 𝑘 ∗ ∈ 𝐾 wird der jeweilige Ziel-
∈
funktionswert in Richtung ∞ „gedrückt“. Das führt dazu, dass die Ausprägungen der 𝑥 im
Optimum so klein wie möglich sein werden (aufgrund der NNB aber minimal 0). Dement-
sprechend führt die Maximierung einer „negativen Zielfunktion“ zur Minimierung der Va-
riablenausprägungen.
Bezogen auf (ZV.1) aus dem Beispiel auf Seite 49 ff. bedeutet das, dass diese entweder nach
der Maßgabe der in Fall a) oder der in Fall b) beschriebenen Vorgehensweise zu ändern wäre,
wenn eine oder mehrere der Teilzielfunktionen zu minimieren ist bzw. sind.
a.
Das Dominanzprinzip wird in der Betriebswirtschaft zur Vorauswahl von Handlungsalter-

nativen verwendet. Es leitet sich direkt aus dem ökonomischen Prinzip ab, da eine Alterna-
tive dominant (oder effizient) ist, wenn keine weitere Alternative existiert, die bei Einsatz
desselben Inputs einen höheren Output generiert oder denselben Output unter geringerem
Input erzeugt oder beides zugleich. Trifft einer der drei beschriebenen Fälle auf zwei Alter-
nativen zu, dominiert die eine die andere Alternative. Letztendlich sind alle Alternativen
dominant (oder effizient), die von keiner anderen Alternative dominiert werden.
Betrachten wir zur Veranschaulichung im Mehrzielentscheidungsfall folgendes Beispiel:
Ein Bereichsleiter muss aufgrund von Mitarbeitergesprächen eine Dienstreise antreten und
hat mehrere Reisemöglichkeiten (𝐴, 𝐵, 𝐶, 𝐷) zur Auswahl, die alle die Vorgabe, die Gespräche
an einem Tag durchzuführen, erfüllen. Der Output kann in diesem Fall also als gleichwertig
gegeben angenommen werden. Die Reisemöglichkeiten unterscheiden sich allerdings hin-
sichtlich der Ausprägungen der beiden relevanten und zu minimierenden Inputs Reisezeit
und -kosten (vgl. Abbildung 18.5). In diesem Fall könnte die Alternative 𝐷 bereits vor der
Entscheidung eliminiert werden, da diese durch Alternative 𝐶 dominiert wird. Die restlichen
Alternativen 𝐴, 𝐵 und 𝐶 sind hingegen dominant.
Abbildung 18.5 Darstellung der Reisemöglichkeiten 𝐴-𝐷 in Abhängigkeit von Reisekos-

ten und -zeit
Reisekosten
𝐴
𝐵
𝐷
𝐶
Reisezeit
b.
Wir definieren die vollständige Lösung eines [VOP], d.h. die Menge aller Lösungen die nach
dem unter a) beschriebenen Dominanzprinzip nicht dominiert und somit effizient sind, als

𝑧 (𝐱) > 𝑧 (𝐱) für mindestens ein 𝑘}
Lösungen
Ein Modellzu
zurÜbungsaufgaben aus Teil 2und Personalplanung in Zeiten der Digitalisierung
Das bedeutet in Worten formuliert, dass die Menge 𝑉 aus den Vektoren 𝐱 besteht, die selbst
Element der Menge 𝐗 aller zulässigen Vektoren sind, also Teil jener Vektoren, die alle Ne-
benbedingungen des Problems einhalten. Betrachten wir dazu einen Fall mit zwei Variablen
𝑥
𝑥 und 𝑥 sowie den korrespondierenden Vektoren der Variablenausprägungen 𝐱 = 𝑥 .
Zudem sei das Restriktionensystem aus Abbildung 18.6 gegeben. Der hellgrau gepunktete
Bereich in dieser Abbildung stellt die Variablenausprägungen (𝑥 , 𝑥 ) dar, die den drei gege-
benen ≤-Restriktionen sowie den NNB genügen. Es ist also der Raum der zulässigen Lösun-
gen, den wir hier als Menge 𝐗 bezeichnen.
Abbildung 18.6 Beispiel für ein Restriktionensystem eines [VOP] mit zwei Variablen
𝑉
𝐗
Für die Elemente 𝐱 aus 𝐗 , die Teil von 𝑉 sind, wird nun zusätzlich hinter dem Senkrecht-
strich eine Bedingung formuliert. Für diese muss nämlich gelten, dass kein weiterer Vektor
𝐱 ∈ 𝐗 existiert (∄≔ „es gibt keinen“),
■ dessen Zielfunktionswerte 𝑧 (𝐱), … , 𝑧 (𝐱) für alle Zielfunktionen mindestens ge-

nauso groß sind wie die Zielfunktionswerte (𝑧 (𝐱), … , 𝑧 (𝐱)) des betrachteten Vek-
tors und
■ dessen Zielfunktionswert für mindestens ein Ziel 𝑘 tatsächlich größer ist als der des
betrachteten Vektors (𝑧 (𝐱) > 𝑧 (𝐱)).
Dem Dominanzprinzip folgend dürfen die Vektoren 𝐱 ∈ 𝑉 bezüglich der Zielfunktionswerte
also nicht dominiert sein.
Lassen Sie uns in unserem Beispiel von zwei zu maximierenden Zielfunktionen ausgehen.
Durch das in Kapitel 6.1 beschriebene Verfahren zur Ermittlung der oberen Zielfunktions-
schranken und deren grafische Darstellung kann man 𝑉 dann als fett markierte Gerade in
Abb. Abbildung 18.6 ermitteln.
Die vollständige Lösung 𝑉 eines [VOP] ist also eine Teilmenge der zulässigen Lösungen 𝐗 .
Werden in einem [VOP] Minimierungs- anstatt Maximierungsziele verfolgt, muss die Kon-
struktion der entsprechenden Zugehörigkeitsfunktionen zur (unscharfen) Zufriedenheit des
Entscheiders mit der Zielfunktionsausprägung des 𝑘-ten Ziels „umgekehrt“ erfolgen:
0 für 𝑧 (𝐱) > 𝑤 +△

⎧
𝑧 (𝐱) − 𝑤
𝜇 (𝐱) = 1 − für 𝑤 +△ ≥ 𝑧 (𝐱) > 𝑤
⎨ △
⎩1 für 𝑤 ≥ 𝑧 (𝐱)
Ausprägungen, die echt größer als 𝑤 +△ sind, wird ein Zugehörigkeitswert von 0 und
Ausprägungen, die kleiner oder gleich 𝑤 sind, ein Zugehörigkeitswert von 1 zugewiesen.
Zielfunktionsausprägungen zwischen 𝑤 und 𝑤 +△ wird in diesem Fall ein linear fallen-
der Zugehörigkeitswert zugeordnet.
𝜋 ≤ 𝜇 (𝐱) ∀ 𝑘 = 1, … , 𝐾
𝑧 (𝐱) − (𝑤 −△ )
Mit 𝜇 (𝐱) = ergibt sich:
△
𝑧 (𝐱) − (𝑤 −△ )
𝜋≤ ∀ 𝑘 = 1, … , 𝐾
△
Mit 𝑧 (𝐱) = 𝑐 ∙ 𝑥 ergibt sich:

∈
𝑐 ∙ 𝑥 − (𝑤 −△ )
.
𝜋≤ 𝑗∈𝐽
∀ 𝑘 = 1, … , 𝐾
△
Multipliziert man beide Seiten mit △ ergibt sich:
△ ∙𝜋 ≤ 𝑐 ∙ 𝑥 − (𝑤 −△ ) ∀ 𝑘 = 1, … , 𝐾
∈
Subtrahiert man nun auf beiden Seiten 𝑐 ∙ 𝑥 ergibt sich:

∈
△ ∙𝜋− 𝑐 ∙ 𝑥 ≤ −(𝑤 −△ ) ∀ 𝑘 = 1, … , 𝐾
∈
Als (𝑥 , 𝑥 )-Lösungsraum des Vektoroptimierungsproblems ergibt sich die in Abbildung

18.7 dargestellte Grafik:
Lösungen
Ein Modellzu
zurÜbungsaufgaben aus Teil 2und Personalplanung in Zeiten der Digitalisierung
Abbildung 18.7 Lösungsraum, gewinn- und beschäftigungsoptimales Produktionspro-

gramm sowie optimaler Kompromiss des [VOP]
Gewinnoptimales
Produktionsprogramm
Optimaler Kom-
promiss
500
Beschäftigungsoptimales
Produktionsprogramm
500 𝑥
a.
Tabelle 18.1 zeigt das Ergebnis der Heuristik „An jeden Platz die beste Kraft!“:
Tabelle 18.1 Anwendung der Heuristik „An jeden Platz die beste Kraft!“
𝑟‘ = 1 140 159 138 131 132 158
𝑟‘ = 2 148 155 137 128 125 124
𝑟‘ = 3 154 139 141 135 131 130
𝑟‘ = 4 123 143 127 134 136 134
𝑟‘ = 5 121 143 160 121 154 123
𝑟‘ = 6 122 121 133 149 127 144
Insgesamt wird bei dieser Lösung ein Gesamtjahresumsatz von 882 Tausend GE generiert.
b.
Tabelle 18.2 zeigt das Ergebnis der Heuristik „Jede Kraft an den Platz, für den sie am besten
geeignet ist!“
Tabelle 18.2 Anwendung der Heuristik „Jede Kraft an den Platz, für den sie am
besten geeignet ist!“ (1)
Zeilenmax. –
Zeilenmin.
𝑟‘ = 1 140 159 138 131 132 158 28 28 27 - -
𝑟‘ = 2 148 155 137 128 125 124 31 31 - - -
𝑟‘ = 3 154 139 141 135 131 130 24 24 24 23 23
𝑟‘ = 4 123 143 127 134 136 134 20 20 13 13 13
𝑟‘ = 5 121 143 160 121 154 123 39 - - - -
𝑟‘ = 6 122 121 133 149 127 144 28 28 27 27 -
In dieser Lösung werden 912 Tausend GE Gesamtjahresumsatz generiert. Anhand dieses Bei-
spiels wird auch schnell die Problematik dieser Heuristik erkennbar. Im dritten Schritt ergibt
sich als Differenz aus dem Zeilenmaximum und dem Zeilenminimum für zwei Arbeitskräfte
(𝑟 = 1 und 𝑟 = 6) die gleiche Zahl (27). Dementsprechend ist es von Willkür geprägt, ob die
Zuteilung von 𝑟 = 1 oder 𝑟 = 6 durchgeführt wird.
Tabelle 18.3 Anwendung der Heuristik „Jede Kraft an den Platz, für den sie am
besten geeignet ist!“ (2)
Zeilenmax. –
Zeilenmin.
𝑟‘ = 1 140 159 138 131 132 158 28 28 27 26 -
𝑟‘ = 2 148 155 137 128 125 124 31 31 - - -
𝑟‘ = 3 154 139 141 135 131 130 24 24 24 24 23
𝑟‘ = 4 123 143 127 134 136 134 20 20 13 13 13
𝑟‘ = 5 121 143 160 121 154 123 39 - - - -
𝑟‘ = 6 122 121 133 149 127 144 28 28 27 - -

Ein Modellzu
In der in Tabelle 18.2 angegebenen Lösung wird sich für 𝑟 = 1 entschieden. Die Lösung in
Tabelle 18.3 ergibt sich alternativ bei Wahl von 𝑟 = 6. Auch in diesem Fall liegt der gene-
rierte Gesamtjahresumsatz bei 912 Tausend GE. Dies muss allerdings nicht immer der Fall
sein.
Zu Beginn eines Local Search-Verfahrens wird mit einer zulässigen Lösung für das zu be-
trachtende Problem begonnen. Diese Lösung kann entweder mittels Eröffnungsverfahren
oder durch zufällige Generierung gefunden werden (vgl. Domschke et al. 2015, S. 136). Als
Eröffnungsverfahren kommen, exemplarisch genannt, sog. Greedy-Heuristiken oder unin-
formierte Verfahren (bspw. Nordwesteckenregel) in Frage (vgl. Domschke/Scholl 2006, S. 4
und Zimmermann 2005, S. 288). Durch den Erhalt einer Ausgangslösung kann man nun mit
dem eigentlichen Local Search-Verfahren beginnen. Dafür wird die Nachbarschaft dieser
Ausgangslösung nach weiteren zulässigen Lösungen untersucht. Es ist herauszustellen, dass
die Suche nach einer neuen Lösung immer in direkter Nachbarschaft erfolgt, also nur lokal.
Die Nachbarschaft einer Ausgangslösung ist dadurch gekennzeichnet, dass sie alle Lösungen
enthält, die sich durch eine elementare Transformation generieren lassen (vgl. Wäscher 1998,
S. 1301 und Domschke/Scholl 2006, S. 5). Diese Transformation wird auch als Zug (engl.
move) bezeichnet (vgl. Domschke/Scholl 2006, S. 5). Ziel der Nachbarschaftssuche ist es also,
mittels Transformation eine Menge neuer Lösungen zu generieren. Hierbei kann 𝑥 bspw. als
generierte Ausgangslösung betrachtet werden. Darauf aufbauend bezeichnet 𝑁(𝑥) die Nach-
barschaft der Ausgangslösung. Deshalb kann man neu generierte Lösungen 𝑥′ ∈ 𝑁(𝑥) als
Nachbarn von 𝑥 bezeichnen (vgl. Habenicht/Geiger 2006, S. 52). Bezugnehmend auf das
Problem des Handlungsreisenden (engl. Traveling Salesman Problem) kann eine solche
Transformation bspw. durch einen sog. Zweieraustauschschnitt (engl. 2-Opt-Move) durch-
geführt werden. Hierbei werden zwei nicht benachbarte Kanten gegen zwei andere Kanten
ausgetauscht (vgl. Wäscher 1998, S. 1301). Zur Veranschaulichung dieses Schnittes dient Ab-
bildung 18.8 (vgl. ebd., S. 1302).
Abbildung 18.8 Durchführung eines Zweieraustauschschnitts (1)
B B
C C
A A
D D
E E
Durch die Entfernung der Kanten 𝐵𝐶 und 𝐷𝐸 und der Einführung von 𝐵𝐷 und 𝐶𝐸 entsteht
eine neue Route für den Handlungsreisenden und dementsprechend eine Lösung. Entspre-
chend der Ausgangslösung, also dem Zielwert der ursprünglichen Handlungsroute, stellen
alle möglichen Zweieraustauschschnitte die Nachbarschaft der Ausgangslösung dar (vgl.
Wäscher 1998, S. 1301). Ein weiterer Zweieraustauschschnitt (in Bezug auf die ursprüngliche
Handlungsroute) könnte bspw. durch Abbildung 18.9 dargestellt werden.
Abbildung 18.9 Durchführung eines Zweieraustauschschnitts (2)
B B
C C
A A
D D
E E
Durch den Tausch zweier anderer Kanten entsteht demnach wieder eine neue Route und
diese führt dadurch (unter Annahme verschiedener Kantengewichtungen) zu einem neuen
Zielwert. Der Zweieraustauschschnitt soll hier nur als Beispiel für die grundsätzliche Vorge-
hensweise bei der Nachbarschaftssuche dienen. Freilich gibt es viele weitere Operationen
oder Transformationen, die durchgeführt werden können, um neue Nachbarschaftslösungen
zu generieren.
Die grundsätzliche Vorgehensweise des Local Search-Verfahrens lässt sich damit folgender-
maßen darstellen (vgl. Abbildung 18.10):
Ein Modellzu
Abbildung 18.10 Darstellung der Vorgehensweise eines Local Search-Verfahrens
1. Generiere eine Ausgangslösung mittels Zufall oder

Eröffnungsverfahren.
2. Erzeuge durch eine elementare Transformation eine

Nachbarschaftslösung.
3. Entscheide, ob die Nachbarschaftslösung die Aus-

gangslösung ersetzen soll oder nicht.
(Die Ausgangslösung wird i.d.R. dann ersetzt, wenn die
gefundene Nachbarschaftslösung einen besseren Ziel-
wert aufweist.)
Falls ja, so untersuche die Falls nein, so untersuche

Nachbarschaft der neuen weiter die Nachbarschaft
Lösung auf weitere Lö- der Ausgangslösung.
sungen.
4. Falls ein vorher definiertes Abbruchkriterium erfüllt

ist, so beende das Verfahren. Wenn nicht, dann führe
das Verfahren mit Schritt 2 weiter durch.
Der wesentliche Unterschied zwischen klassischen und modernen Local Search-Verfahren

besteht in der Akzeptanz von generierten Lösungen. Beim klassischen Local Search werden
nur Lösungen akzeptiert, die eine Zielwertverbesserung darstellen. Demzufolge wird ein
Verfahren eingestellt, sobald in der Nachbarschaft keine Lösung mehr gefunden wird, die
eine Zielwertverbesserung darstellt. Dadurch unterliegt man der Gefahr, dass ein Verfahren
zwar abgebrochen, aber lediglich ein lokales Optimum gefunden wird (vgl. Wäscher 1998, S.
1302). Zur Illustration wird nachfolgende Abbildung 18.11 betrachtet.
Abbildung 18.11 Illustration der Vorgehensweise des klassischen Local Search-Verfahrens

am Beispiel eines Minimierungsproblems
𝑓(𝑥)
𝑓(𝑥) = 𝑎′
𝑓(𝑥) = 𝑏′
𝑓(𝑥) = c′
𝑥=𝑎 𝑥=𝑏 𝑥=𝑐 𝑥
Es sei angenommen, dass eine zufällige Startlösung für ein Minimierungsproblem bei 𝑥 = 𝑎
und der zugehörige Funktionswert bei 𝑓(𝑥) = 𝑎′ liegt. Im Sinne des klassischen Local Search
Verfahrens wird nun in der Nachbarschaft von 𝑥 nach einem Wert 𝑥 gesucht, der einen nied-
rigeren Funktionswert aufweist. Das Verfahren wird (bei entsprechender Vorgabe, dass eine
optimale Lösung bei steigendem 𝑥 gesucht wird) letztendlich bis zum Wert 𝑥 = 𝑏 und dem
zugehörigen Funktionswert 𝑓(𝑥) = 𝑏′ gelangen. In der darauffolgenden Untersuchung der
Nachbarschaft wird das klassische Local Search-Verfahren erkennen, dass keine weitere ziel-
wertverbessernde Lösung gefunden werden kann und dementsprechend das Verfahren ab-
brechen. Die Problematik ergibt sich daraus, dass dem Verfahren somit ein mögliches globa-
les Optimum an der Stelle 𝑥 = 𝑐 mit dem entsprechenden Funktionswert 𝑓(𝑥) = 𝑐′ entgeht.
Im Gegensatz dazu ist es mit Hilfe moderner Local Search-Verfahren möglich, Werte zu ak-
zeptieren, die eine Verschlechterung des Zielwertes zulassen (vgl. Wäscher 1998, S. 1302).
Demnach ist es möglich, nach dem Finden eines lokalen Optimums das Verfahren dennoch
weiter laufen zu lassen, um ein globales Optimum zu finden. Bezugnehmend auf Abbildung
18.11 ist ein modernes Local Search-Verfahren, ausgehend von 𝑥 = 𝑎, dazu in der Lage, das
globale Optimum an der Stelle 𝑥 = 𝑐 zu erreichen.
Ein Modellzu
a.
Aus den gegebenen Informationen kann nachfolgendes Optimierungsproblem aufgestellt

werden:
Zielfunktion:
𝐾𝑊 = 10 ⋅ 𝑥 + 33 ⋅ 𝑥 + 34 ⋅ 𝑥 + 17 ⋅ 𝑥 + 31 ⋅ 𝑥 + 26 ⋅ 𝑥 + 35 ⋅ 𝑥 → max!
u.d.N.:
9 ⋅ 𝑥 + 9 ⋅ 𝑥 + 8 ⋅ 𝑥 + 5 ⋅ 𝑥 + 5 ⋅ 𝑥 + 7 ⋅ 𝑥 + 8 ⋅ 𝑥 ≤ 35
𝑥 ∈ {0,1} ∀ 𝑖 ∈ 1, … ,7
Grundsätzlich kann dieses Optimierungsproblem schnell und unkompliziert gelöst werden.

An dieser Stelle soll aber das Verfahren der Local Search angewandt werden.
Die ermittelte Ausgangslösung (𝑢) kann in Vektorschreibweise folgendermaßen dargestellt

werden: 𝑥 = (1,1,1,0,0,0,0)
Diese Schreibweise gibt an, dass die Investitionen 𝑖 = 1, 𝑖 = 2 und 𝑖 = 3 durchgeführt sowie
die Investitionen 𝑖 = 4, 𝑖 = 5, 𝑖 = 6 und 𝑖 = 7 nicht durchgeführt werden. Diese Ausgangslö-
sung führt zu einem Zielfunktionswert von 77 GE unter Einhaltung der Budgetrestriktion.
Laut Aufgabenstellung kann im Zuge einer elementaren Transformation lediglich eine Kom-
ponente verändert werden. Dies heißt, dass entweder eine zusätzliche Investition durchge-
führt werden kann, oder eine bestehende Investition aus der Ausgangslösung entfernt wird.
Tabelle 18.4 Nachbarschaftslösungen
𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝐾𝑊 𝐾
𝑢 1 1 1 0 0 0 0 77 26
𝑣=1 0 1 1 0 0 0 0 67 17
𝑣=2 1 0 1 0 0 0 0 44 17
𝑣=3 1 1 0 0 0 0 0 43 18
𝑣=4 1 1 1 1 0 0 0 94 31
𝑣=5 1 1 1 0 1 0 0 108 31
𝑣=6 1 1 1 0 0 1 0 103 33
𝑣=7 1 1 1 0 0 0 1 112 34
Daraus resultieren sieben verschiedene Nachbarn (𝑣 = 1, … ,7), die von der Ausgangssitua-
tion ausgehend generiert werden können. Tabelle 18.4 fasst diese Nachbarn zusammen. Die
jeweils veränderte Komponente ist grau hinterlegt.
Unter Einhaltung der Budgetrestriktion und der gegebenen Zielsetzung, dass der Gesamtka-
pitalwert maximiert werden soll, ist (ausgehend von der Ausgangslösung) der optimale
Nachbar 𝑣 = 7.
b.
Bei einem gegebenen Budget von 35 GE sind alle sieben Nachbarn der Ausgangslösung
gleichzeitig auch zulässige Nachbarschaftslösungen. Sollte das Budget allerdings nur 30 GE
betragen, so würden die Nachbarn 𝑣 = 4, 𝑣 = 5, 𝑣 = 6 und 𝑣 = 7 diese Restriktion verletzen
und würden als zulässige Nachbarschaftslösungen nicht in Betracht kommen. Die Ausgangs-
lösung 𝑢 wäre somit in der Situation die beste Lösung.
Das Tabu Search-Verfahren funktioniert so, dass nach Findung eines optimalen Nachbarn
von einer bestehenden Ausgangssituation aus, der vorgenommene Zug fixiert wird. Das
heißt, dass die Entscheidungsvariable, die verändert wird, in der aktuellen Konstellation als
unveränderbar angesehen wird. Dementsprechend wird das Komplement dazu auf die Ta-
buliste gesetzt.
Die neue Ausgangslösung (𝑢′) wird durch den Zug erreicht, dass 𝑥 = 1 gesetzt wird. Das
heißt, dass 𝑥 = 1 fixiert wird und es „tabu ist“, 𝑥 = 0 zu setzen.
Zu dieser neuen Ausgangslösung werden erneut alle Nachbarn aufgelistet, die durch die
Änderung einer einzigen Komponente erreicht werden können (vgl. Tabelle 18.5).
Tabelle 18.5 1. Iteration
𝑢 1 1 1 0 0 0 1 112 34
𝑣=1 0 1 1 0 0 0 1 102 25
𝑣=2 1 0 1 0 0 0 1 79 25
𝑣=3 1 1 0 0 0 0 1 78 26
𝑣=4 1 1 1 1 0 0 1 129 39
𝑣=5 1 1 1 0 1 0 1 143 39
𝑣=6 1 1 1 0 0 1 1 138 41
Dadurch, dass die Nachbarn 𝑣 = 3, 𝑣 = 4, 𝑣 = 5 und 𝑣 = 6 die Budgetbegrenzung über-

schreiten, kommen sie nicht als zulässige Lösungen in Betracht.
Ein
Lösungen
Modellzu
zur
Übungsaufgaben
Dementsprechend können für die weitere Betrachtung nur die Nachbarn 𝑣 = 1 und 𝑣 = 2 in
Frage kommen.
Für den nächsten Schritt wird der Nachbar 𝑣 = 1 als neue Ausgangslösung betrachtet, mit
einem Kapitalwert von 102.
In der nächsten Iteration (vgl. Tabelle 18.6) wird nun 𝑥 = 0 gesetzt, 𝑥 = 1 bleibt weiterhin
fixiert. Damit landet 𝑥 = 1 auf der Tabuliste. Daraus resultieren mit 𝑥 = (0,1,1,0,0,0,1) als
neuer Lösung (𝑢 ) nachfolgende Nachbarn:
𝑢 0 1 1 0 0 0 1 102 25
𝑣=1 0 0 1 0 0 0 1 69 16
𝑣=2 0 1 0 0 0 0 1 68 17
𝑣=3 0 1 1 1 0 0 1 119 30
𝑣=4 0 1 1 0 1 0 1 133 30
𝑣=5 0 1 1 0 0 1 1 128 32
An dieser Stelle bietet der Nachbar 𝑣 = 4 unter Einhaltung der Budgetrestriktion den höchs-
ten Kapitalwert und wird demzufolge als neue Lösung gesetzt. Auf Basis dessen wird 𝑥 = 1
gesetzt und 𝑥 = 0 landet ebenfalls auf der Tabuliste. Mit der neuen Lösung ergeben sich
wiederum nachfolgende neue Nachbarn (vgl. Tabelle 18.7).
𝑢 0 1 1 0 1 0 1 133 30
𝑣=1 0 0 1 0 1 0 1 100 21
𝑣=2 0 1 0 0 1 0 1 99 22
𝑣=3 0 1 1 1 1 0 1 150 35
𝑣=4 0 1 1 0 1 1 1 159 37
Unter Einhaltung der Budgetrestriktion bietet Nachbar 𝑣 = 3 die beste Lösung und führt
zum Lösungsvektor 𝑥 = (0,1,1,1,1,0,1) mit einem Zielfunktionswert von 150. Durch den Zug
𝑥 = 1 wird diese Lösung erreicht, dementsprechend wird 𝑥 = 1 fixiert und 𝑥 = 0 landet
auf der Tabuliste. Theoretisch kann diese Lösung als erneute Ausgangslösung für eine wei-
tere Iteration verwendet werden. Allerdings kann mittels Optimierungssoftware ermittelt
werden, dass die optimale Lösung des Problems genau durch den ermittelten Lösungsvektor
𝑥 = (0,1,1,1,1,0,1) repräsentiert wird.
An dieser Stelle sei noch einmal auf den entscheidenden Unterschied zwischen den klassi-
schen und modernen Local Search-Verfahren hingewiesen.
Klassische Local Search-Verfahren hätten bereits nach der 1. Iteration das Verfahren abge-
brochen. Der ursprüngliche Lösungsvektor 𝑥 = (1,1,1,0,0,0,0) aus Aufgabe 24 weist einen
Zielfunktionswert von 77 GE auf. In der Nachbarschaftssuche wird der Lösungsvektor 𝑥 =
(1,1,1,0,0,0,1) als bester Nachbar mit einem Zielfunktionswert von 112 GE identifiziert. Im
nächsten Schritt (1. Iteration) kann kein Nachbar identifiziert werden, der bei Einhaltung der
Budgetrestriktion einen höheren Zielfunktionswert besitzt. Dementsprechend, dem klassi-
schen Local Search-Verfahren entsprechend, würde das Verfahren abgebrochen werden.
Mit der Tabu Search kann allerdings als modernem Local Search-Verfahren das globale Op-
timum mit dem Lösungsvektor 𝑥 = (0,1,1,1,1,0,1) und einem Zielwert von 150 GE gefunden
werden.
a.
Das Entscheidungsproblem kann mittels Entscheidungsbaum (vgl. Abbildung 18.12) und

dem damit einhergehenden Roll-back-Verfahren gelöst werden. Der Entscheidungsbaum ist
so aufgebaut, dass die viereckigen Knoten in den Perioden 𝑡 = 1, 𝑡 = 2 und 𝑡 = 3 Entschei-
dungsknoten darstellen. Die rautenförmigen Knoten zum Zeitpunkt 𝑡 = 4 stellen Ergebnis-
knoten dar. Die Ergebnisknoten geben die generierten Nettoerfolge an, die aus der jeweiligen
Ablauffolge entstehen. Die Zahlenangaben in den Entscheidungsknoten zeigen die Erwar-
tungswerte der jeweiligen Nettoerfolge der verschiedenen alternativen Aktionen in den Zeit-
punkten 𝑡 = 1, 𝑡 = 2 sowie 𝑡 = 3 an. Darüber hinaus besteht der Baum aus runden Verzwei-
gungsknoten und davon abgehenden Kanten. An diesen Kanten stehen die bedingten Wahr-
scheinlichkeiten für die Umweltzustände.
Die optimale Aktionsfolge, die mittels Roll-back-Verfahren ermittelt wird, wird durch die
gestrichelte (bzw. durchgezogene) Kante gekennzeichnet. Diese Kante wird auch als Ent-
scheidungskante bezeichnet. Das Symbol X (bzw. Y) bezeichnet die Zahl der anzunehmen-
den Aufträge (bzw. der anzuschaffenden Anlagen) zum jeweiligen Zeitpunkt.
Der Entscheidungsbaum kann nun folgendermaßen interpretiert werden:
Zum Zeitpunkt 𝑡 = 1 soll genau ein Auftrag angenommen und eine Maschine beschafft wer-
den. Die Handlung zum Zeitpunkt 𝑡 = 2 ist nun von dem eintretenden Umweltzustand ab-
hängig. Tritt der Umweltzustand 𝑧 = 2 (es geht ein Auftrag ein) ein, dann wird keine weitere
Maschine gekauft und es wird der eingehende Auftrag angenommen.
Ein Modellzu
In der darauffolgenden Periode 𝑡 3 wird dann ebenfalls der eingehende Auftrag angenom-
men und keine weitere Maschine beschafft. Ist zum Zeitpunkt 𝑡 2 allerdings Umweltzu-
stand 𝑧 3 (es gehen zwei Aufträge ein) eingetreten, so wird eine weitere Maschine beschafft
und es werden beide Aufträge auch angenommen. Zum Zeitpunkt 𝑡 3 ist die Auswahl der
Handlungsalternative ebenfalls zustandsabhängig. Insofern 𝑧 5 (es gehen zwei Aufträge
ein) eintritt, so wird keine weitere Maschine beschafft und es wird ein Auftrag angenommen.
Tritt Zustand 𝑧 7 ein (es gehen zwei Aufträge ein), so wird ebenfalls keine neue Maschine
beschafft und es werden beide Aufträge angenommen.
Die mittels Roll-back-Verfahren ermittelte optimale Lösung, also des Erwartungswertes des
Nettoerfolges, beträgt somit 412 GE.
Abbildung 18.12 Entscheidungsbaum
0,8 X=1
200 20
X=1 Y=0
0,7 26
Y=0
0,2 X=2
500 50
Y=0
𝑖 1
X=2 0,2 X=1
0,3 500 50
Y=2 X=2 Y=0
740
Y=0
0,8 X=2
800 80
Y=0
412
0,8 X=1 40
400 Y=0
X=1
X=1 400 𝑖 3
0,7 Y=0 X=1
Y=1 0,2 40
400
Y=0
𝑖 2
0,2 X=1
400 40
Y=0
X=1
0,3
Y=0 0,8 X=1 40
400 Y=0
440
X=2
opt. Sequenz Y=1 X=1
0,2 200 20
Y=0
𝑖 3
X=2
0,8 500 50
Y=0
𝑡 1 𝑡 2 𝑡 3 𝑡 4
b.
Auf Basis des Entscheidungsbaumes aus Aufgabenteil a. können wir eine zugehörige Ent-
scheidungsmatrix aufstellen. Je nach Eintreten der unterschiedlichen Zustände können wir
diese Zustandsfolgen in der Kopfzeile der Entscheidungsmatrix darstellen. Dementspre-
chend gibt es vier Spalten mit den Zustandsfolgen 1 − 2 − 4, 1 − 2 − 5, 1 − 3 − 6 sowie 1 −
3 − 7. Die zugehörigen bedingten Wahrscheinlichkeiten ergeben sich aus der Multiplikation
der einzelnen Wahrscheinlichkeiten an den Kanten des Zustandsbaumes. Aus dem Entschei-
dungsbaum resultieren drei zu betrachtende Aktionsfolgen (𝑖 = 1, 𝑖 = 2 sowie 𝑖 = 3).
Die Folge 𝑖 = 1 ergibt sich daraus, dass zum Zeitpunkt 𝑡 = 1 im Zustand 𝑧 = 1 zwei Maschi-
nen beschafft werden und gleichzeitig beide eingehende Aufträge angenommen werden. Da-
rauf aufbauend werden in den darauffolgenden Perioden alle eingehenden Aufträge ange-
nommen und keine zusätzlichen Maschinen mehr beschafft werden. Die Aktionsfolge 𝑖 = 2
sieht vor, dass zum Zeitpunkt 𝑡 = 1 eine Maschine beschafft wird und ein Auftrag angenom-
men wird. In den darauffolgenden Perioden werden keine weiteren Maschinen mehr be-
schafft und dementsprechend auch jeweils nur ein Auftrag angenommen. Die letzte Aktions-
folge 𝑖 = 3 startet damit, dass zum Zeitpunkt 𝑡 = 1 eine Maschine beschafft wird und ein
Auftrag angenommen wird. Tritt zum Zeitpunkt 𝑡 = 2 der Zustand 𝑧 = 2 ein, so wird keine
weitere Maschine beschafft und es wird ein Auftrag angenommen. Analog gilt dies auch für
den Zeitpunkt 𝑡 = 3, es wird ein Auftrag angenommen und keine weitere Maschine be-
schafft. Tritt allerdings in 𝑡 = 2 der Zustand 𝑧 = 3 ein, so wird eine weitere Maschine be-
schafft und beide eingehenden Aufträge angenommen. Zum Zeitpunkt 𝑡 = 3 wird dann ent-
weder ein Auftrag angenommen oder beide Aufträge angenommen (je nach Eintreten von
Zustand 𝑧 = 6 oder Zustand 𝑧 = 7). Eine weitere Maschine wird in 𝑡 = 3 demnach nicht mehr
beschafft.
In der nachfolgenden Entscheidungsmatrix (vgl. Tabelle 18.8) sind in der rechten Spalte die
korrespondierenden Erwartungswerte des Nettoerfolges 𝜇 abgetragen.
Tabelle 18.8 Entscheidungsmatrix
𝑤 | ∙𝑤 | 𝑤 | ∙𝑤 | 𝑤 | ∙𝑤 | 𝑤 | ∙𝑤 |
= 0,56 = 0,14 = 0,06 = 0,24
𝜇
Zustände: Zustände: Zustände: Zustände:
1,2,4 1,2,5 1,3,6 1,3,7
𝑖=1 200 500 500 800 404
𝑖=2 400 400 400 400 400
𝑖=3 400 400 200 500 412
Der optimale Erwartungswert ergibt sich auch hier i.H.v. 412 GE und wird bei der (optima-
len) Aktionsfolge 𝑖 = 3 erreicht.
Ein Modellzu
Der Ausdruck 𝑤 bezeichnet die (unbedingte) Wahrscheinlichkeit dafür, dass ein Umwelt-
zustand 𝑧 ∈ 𝑍 eintritt. Hierbei beinhaltet die Menge 𝑍𝑇 die Elemente 𝑧, mit 𝑧 als ein im letz-
ten Entscheidungspunkt eintretender Umweltzustand.
An dieser Stelle wird Bezug genommen auf Aufgabe 26. In der Periode 𝑡 = 3 können die
Zustände 4, 5, 6 und 7 eintreten. Dementsprechend können wir schreiben 𝑧 ∈ 𝑍 = {4,5,6,7}.
Damit ergibt sich, dass wir die Wahrscheinlichkeiten 𝑤 , 𝑤 , 𝑤 und 𝑤 betrachten. Zu jedem
𝑧 ∈ 𝑍 ist nun die Indexmenge 𝑍𝑧∗ mit den Vorgängern von Zustand 𝑧 zu bestimmen:
𝑍4∗ = {1,2}; 𝑍5∗ = {1,2}; 𝑍6∗ = {1,3}; 𝑍7∗ = {1,3}
Mit anderen Worten:
Die Zustände 1 und 2 sind Vorgänger des Zustandes 4, die Zustände 1 und 2 sind Vorgänger
des Zustandes 5 und die Zustände 1 bzw. 3 sind jeweils Vorgänger der Zustände 6 bzw. 7.
𝑤 ergibt sich also aus dem Produkt der bedingten Wahrscheinlichkeiten 𝑤 ∗| ∗ .
Nachfolgend soll die Vorgehensweise zur Ermittlung der Wahrscheinlichkeiten 𝑤 näher be-
trachtet werden.
In Aufgabe 26 heißt es, dass in der ersten Periode mit Sicherheit 2 Aufträge, in der zweiten
Periode entweder 1 oder 2 Aufträge und in der dritten Periode ebenfalls 1 oder 2 Aufträge
eingehen.
Wir können somit schreiben:
𝐵 ≔ Eingang von 2 Aufträgen in Periode 𝑡 = 2
𝐵𝐶 ≔ Eingang von 1 Auftrag in Periode 𝑡 = 2
𝐴𝐵 ≔ Eingang von 2 Aufträgen in Periode 𝑡 = 2 und Eingang von 2 Aufträgen

in 𝑡 = 3
𝐴𝐶  𝐵 ≔ Eingang von 2 Aufträgen in Periode 𝑡 = 2 und Eingang von 1 Auftrag in

𝑡=3
𝐴𝐵 ≔ Eingang von 1 Auftrag in Periode 𝑡 = 2 und Eingang von 2 Aufträgen in

𝑡=3
𝐴𝐶  𝐵𝐶 ≔ Eingang von 1 Auftrag in Periode 𝑡 = 2 und Eingang von 1 Auftrag in

𝑡=3
Die korrespondierenden Wahrscheinlichkeiten lauten somit:
𝑃(𝐵) ≔ Wahrscheinlichkeit dafür, dass in 𝑡 = 2 2 Aufträge eingehen

𝑃(𝐵 ) ≔ Wahrscheinlichkeit dafür, dass in 𝑡 = 2 1 Auftrag eingeht
𝑃(𝐴|𝐵) ≔ Wahrscheinlichkeit dafür, dass in 𝑡 = 3 2 Aufträge eingehen, gegeben, dass in

𝑡 = 2 2 Aufträge eingegangen sind
𝑃(𝐴 |𝐵) ≔ Wahrscheinlichkeit dafür, dass in 𝑡 = 3 1 Auftrag eingeht, gegeben, dass in

𝑡 = 2 2 Aufträge eingegangen sind
𝑃(𝐴|𝐵 ) ≔ Wahrscheinlichkeit dafür, dass in 𝑡 = 3 2 Aufträge eingehen, gegeben, dass in

𝑡 = 2 1 Auftrag eingegangen ist
𝑃(𝐴 |𝐵 ) ≔ Wahrscheinlichkeit dafür, dass in 𝑡 = 3 1 Auftrag eingeht, gegeben, dass in

𝑡 = 2 1 Auftrag eingegangen ist
Nachfolgender Zustandsbaum (vgl. Abbildung 18.13) stellt die Situation mit den Ereignissen
und den zugehörigen Wahrscheinlichkeiten dar.
𝑃(𝐴 |𝐵 )
𝐴𝐶  𝐵𝐶
𝐵𝑐
𝑃(𝐵 )
𝑃(𝐴|𝐵 ) 𝐴𝐵
𝑃(𝐴 |𝐵)
𝐴𝐶  𝐵
𝑃(𝐵)
𝐵
𝐴𝐵
𝑃(𝐴|𝐵)
𝑡=1 𝑡=2 𝑡=3 𝑡
Mit Hilfe des Multiplikationssatzes können nun die Wahrscheinlichkeiten für das Eintreten
eines Umweltzustandes in der letzten Periode ermittelt werden:
𝑃(𝐴  𝐵) = 𝑃(𝐴|𝐵) ⋅ 𝑃(𝐵)
Aus Aufgabe 26 kennen wir die ermittelten Wahrscheinlichkeiten für die Pfade:
𝑃(𝐵) = 0,3 𝑃(𝐴 |𝐵 ) = 0,8 𝑃(𝐴 |B) = 0,2
𝑃(𝐵 ) = 0,7 𝑃(𝐴|𝐵 ) = 0,2 𝑃(𝐴|𝐵) = 0,8

Ein Modellzu
Damit können wir den Multiplikationssatz anwenden und die Wahrscheinlichkeiten für
𝑃(𝐴  𝐵 ) = 𝑤 𝑃(𝐴  𝐵) = 𝑤
𝑃(𝐴  𝐵 ) = 𝑤 𝑃(𝐴  𝐵) = 𝑤
berechnen:
𝑃(𝐴  𝐵 ) = 𝑤 = 𝑃(𝐴 |𝐵 ) ⋅ 𝑃(𝐵 ) = 0,56
𝑃(𝐴  𝐵 ) = 𝑤 = 𝑃(𝐴|𝐵 ) ⋅ 𝑃(𝐵 ) = 0,14
𝑃(𝐴  𝐵) = 𝑤 = 𝑃(𝐴 |B) ⋅ 𝑃(𝐵) = 0,06
𝑃(𝐴  𝐵) = 𝑤 = 𝑃(𝐴|B) ⋅ 𝑃(𝐵) = 0,24
Die Summe der Wahrscheinlichkeiten über die Zustände 𝑤 , 𝑤 𝑤 und 𝑤 muss sich zu eins
aufaddieren.
𝑎 ∙𝑥 ≤ 𝑃𝐴 ∀ 𝑧 ∈ 𝑍, 𝑄 ∈ 𝕻(𝑄)\{∅}
∈ ∈ r ∈ Rq
q∈Qˆ
Die Restriktion setzt sich auf der linken Seite der Ungleichung aus dem Produkt eines Perso-
nalbedarfskoeffizienten sowie der Anzahl der herzustellenden Produkte zusammen. Dieses
Produkt entspricht dem tätigkeitsbezogenen Personalbedarf der Erzeugung der Produktart
𝑝. Die innere Summe dieses Produkts ergibt den gesamten tätigkeitsbezogenen Personalbe-
𝐴𝐾⋅𝑃
darf für eine Tätigkeit 𝑞. Der Personalbedarfskoeffizient ist dimensioniert als , also In-
𝐴𝐸
put geteilt durch Output. Die benötigten Arbeitskräfteperioden stellen den Input dar und die
Arbeitseinheiten in Form der produzierten Güter den Output. Die Anzahl der herzustellen-
𝐴𝐸
den Produkte sind dimensioniert als , also als Arbeitseinheiten je Periode.
𝑃
Dementsprechend gelangen wir auf der linken Seite der Ungleichung zu einem Produkt aus
den Dimensionen
𝐴𝐾 ⋅ 𝑃 𝐴𝐸
⋅
𝐴𝐸 𝑃
Durch diese Multiplikation kürzen sich 𝐴𝐸 und 𝑃 weg und wir erhalten auf der linken Seite
der Ungleichung die Dimension [𝐴𝐾]. Somit generiert man aus einem produkt- und tätig-
keitsbezogenen Personalbedarf einen Personalbedarf, der nur noch auf die Tätigkeitsart 𝑞
bezogen ist. Die so ermittelten tätigkeitsbezogenen Personalbedarfe werden dann nach Maß-
gabe des impliziten Ansatzes verarbeitet.
Die rechte Seite der Ungleichung, also die Personalausstattung der Arbeitskräfteart 𝑟 im Zu-
stand 𝑧, ist ebenfalls als [𝐴𝐾] dimensioniert.
𝐻𝑚𝑎𝑥
𝑟𝑧 bezeichnet das gesamte am Markt vorhandene Arbeitsmarktpotenzial der Arbeitskräf-
teart 𝑟 im Zustand 𝑧. Zur Ermittlung dieses Potenzials werden entsprechende empirische
Kenntnisse aus der Arbeitsmarktforschung benötigt. 𝐻𝑚𝑎𝑥 𝑟𝑧 kann aber auch der dem Betrieb
zur Verfügung stehende Anteil des Arbeitskräftepotenzials vom Arbeitsmarkt sein. Dieses
äußert sich darin, dass nicht jede Arbeitskraft auf dem Arbeitsmarkt auch ein Interesse daran
hat, in jedem Unternehmen tätig zu werden. Dementsprechend wird 𝐻𝑚𝑎𝑥 𝑟𝑧 als Restriktion
benötigt, um diesen Sachverhalt zu erfassen. Die Ermittlung dieses zur Verfügung stehenden
Anteils des Potenzials ist ungleich schwieriger als die Einschätzung des Rekrutierungspo-
tenzials auf dem Gesamtmarkt. Hierbei wird es in aller Regel auf die Markt- und Fachkennt-
nisse der betrieblichen Experten ankommen.
𝐹𝑚𝑎𝑥
𝑟𝑧 ist eine Größe, die arbeitsrechtlich, organisationskulturell und ökonomisch bedingt ist
und korrespondierenden personalpolitischen Normen entspringt. Unternehmen und unter-
nehmerische Handlungen unterliegen immer Rahmenbedingungen, so auch im Fall von Ent-
lassungen. So muss bspw. darauf geachtet werden, dass nicht die vollständige Belegschaft
eines Unternehmens entlassen werden kann. Ansonsten würde das Unternehmen nicht mehr
existieren können. Weiterhin können keine Mitarbeiter entlassen werden, die unter Kündi-
gungsschutz stehen, bspw. durch Mitgliedschaft in einem Betriebsrat.
𝑋𝑚𝑎𝑥
𝑟𝑧 ist definiert als die maximale Nachfrage im Zustand 𝑧 nach Produkten der Art 𝑝. Da
das formulierte Modell Lagerhaltung ausschließt, sind erzeugte Güter sofort nach Produk-
tion am Markt abzusetzen. Aufgrund dessen beschränkt das Absatzpotenzial das Produkti-
onspotenzial nach oben. Dieses kann zusätzlich durch relative Knappheiten der betrieblichen
Produktionskapazität eingeschränkt sein.
a.
𝑃𝐴𝑟𝑧 ≔ Ausstattung mit Arbeitskräften der Art 𝑟 im Zustand 𝑧
𝑥𝑝𝑧 ≔ Anzahl der im Zustand 𝑧 herzustellenden Güter der Art 𝑝
𝑁𝐸𝑧 ≔ Nettoerfolg, der bei der zu Zustand 𝑧 ∈ 𝑍 führenden Zustandsfolge erzielt wird
ℎ𝑟𝑧 ≔ Anzahl der einzustellenden Arbeitskräfte der Art 𝑟 im Zustand 𝑧
𝑓𝑟𝑧 ≔ Anzahl der zu entlassenden Arbeitskräfte der Art 𝑟 im Zustand 𝑧

Ein Modellzu
Zielfunktion:
Maximierung des Erwartungswertes des Nettoerfolges:
𝑤 ⋅ 𝑁𝐸 → max!
∈
𝑤 ⋅ 𝑁𝐸 + 𝑤 ⋅ 𝑁𝐸 + 𝑤 ⋅ 𝑁𝐸 + 𝑤 ⋅ 𝑁𝐸 → max!
u.d.N.:
𝑎𝑞𝑝 ⋅ 𝑥𝑝𝑧 ≤ 𝑃𝐴𝑟𝑧 ∀𝑧 ∈ 𝑍, 𝑄 ∈ 𝕻(𝑄)\{∅}

𝑞∈𝑄 𝑝∈𝑃𝑞 r ∈  Rq
q∈Qˆ
𝑧=1
𝑎11 ⋅ 𝑥11 + 𝑎12 ⋅ 𝑥21 ≤ 𝑃𝐴11 + 𝑃𝐴21 + 𝑃𝐴31 + 𝑃𝐴41
𝑎21 ⋅ 𝑥11 ≤ 𝑃𝐴21 + 𝑃𝐴41
𝑎32 ⋅ 𝑥21 ≤ 𝑃𝐴31 + 𝑃𝐴41
𝑎11 ⋅ 𝑥11 + 𝑎12 ⋅ 𝑥21 + 𝑎21 ⋅ 𝑥11 ≤ 𝑃𝐴11 + 𝑃𝐴21 + 𝑃𝐴31 + 𝑃𝐴41
𝑎11 ⋅ 𝑥11 + 𝑎12 ⋅ 𝑥21 + 𝑎32 ⋅ 𝑥21 ≤ 𝑃𝐴11 + 𝑃𝐴21 + 𝑃𝐴31 + 𝑃𝐴41
𝑎21 ⋅ 𝑥11 + 𝑎32 ⋅ 𝑥21 ≤ 𝑃𝐴21 + 𝑃𝐴31 + 𝑃𝐴41
𝑎11 ⋅ 𝑥11 ⋅ 𝑎12 ⋅ 𝑥21 + 𝑎21 ⋅ 𝑥11 + 𝑎32 ⋅ 𝑥21 ≤ 𝑃𝐴11 + 𝑃𝐴21 + 𝑃𝐴31 + 𝑃𝐴41
𝑧=2
𝑎11 ⋅ 𝑥12 + 𝑎12 ⋅ 𝑥22 ≤ 𝑃𝐴12 + 𝑃𝐴22 + 𝑃𝐴32 + 𝑃𝐴42
𝑎21 ⋅ 𝑥12 ≤ 𝑃𝐴22 + 𝑃𝐴42
𝑎32 ⋅ 𝑥22 ≤ 𝑃𝐴32 + 𝑃𝐴42
𝑎11 ⋅ 𝑥12 + 𝑎12 ⋅ 𝑥22 + 𝑎21 ⋅ 𝑥12 ≤ 𝑃𝐴12 + 𝑃𝐴22 + 𝑃𝐴32 + 𝑃𝐴42
𝑎11 ⋅ 𝑥12 + 𝑎12 ⋅ 𝑥22 + 𝑎32 ⋅ 𝑥22 ≤ 𝑃𝐴12 + 𝑃𝐴22 + 𝑃𝐴32 + 𝑃𝐴42
𝑎21 ⋅ 𝑥12 + 𝑎32 ⋅ 𝑥22 ≤ 𝑃𝐴22 + 𝑃𝐴32 + 𝑃𝐴42
𝑎11 ⋅ 𝑥12 + 𝑎12 ⋅ 𝑥22 + 𝑎21 ⋅ 𝑥12 + 𝑎32 ⋅ 𝑥22 ≤ 𝑃𝐴12 + 𝑃𝐴22 + 𝑃𝐴32 + 𝑃𝐴42
𝑧=3
𝑎11 ⋅ 𝑥13 + 𝑎12 ⋅ 𝑥23 ≤ 𝑃𝐴13 + 𝑃𝐴23 + 𝑃𝐴33 + 𝑃𝐴43
𝑎21 ⋅ 𝑥13 ≤ 𝑃𝐴23 + 𝑃𝐴43
𝑎32 ⋅ 𝑥23 ≤ 𝑃𝐴33 + 𝑃𝐴43
𝑎11 ⋅ 𝑥13 + 𝑎12 ⋅ 𝑥23 + 𝑎21 ⋅ 𝑥13 ≤ 𝑃𝐴13 + 𝑃𝐴23 + 𝑃𝐴33 + 𝑃𝐴43
𝑎11 ⋅ 𝑥13 + 𝑎12 ⋅ 𝑥23 + 𝑎32 ⋅ 𝑥23 ≤ 𝑃𝐴13 + 𝑃𝐴23 + 𝑃𝐴33 + 𝑃𝐴43
𝑎21 ⋅ 𝑥13 + 𝑎32 ⋅ 𝑥23 ≤ 𝑃𝐴23 + 𝑃𝐴33 + 𝑃𝐴43
𝑧=4
𝑎11 ⋅ 𝑥14 + 𝑎12 ⋅ 𝑥24 ≤ 𝑃𝐴14 + 𝑃𝐴24 + 𝑃𝐴34 + 𝑃𝐴44
𝑎21 ⋅ 𝑥14 ≤ 𝑃𝐴24 + 𝑃𝐴44
𝑎32 ⋅ 𝑥24 ≤ 𝑃𝐴34 + 𝑃𝐴44
𝑎11 ⋅ 𝑥14 + 𝑎12 ⋅ 𝑥24 + 𝑎21 ⋅ 𝑥14 ≤ 𝑃𝐴14 + 𝑃𝐴24 + 𝑃𝐴34 + 𝑃𝐴44
𝑎11 ⋅ 𝑥14 + 𝑎12 ⋅ 𝑥24 + 𝑎32 ⋅ 𝑥24 ≤ 𝑃𝐴14 + 𝑃𝐴24 + 𝑃𝐴34 + 𝑃𝐴44
𝑎21 ⋅ 𝑥14 + 𝑎32 ⋅ 𝑥24 ≤ 𝑃𝐴24 + 𝑃𝐴34 + 𝑃𝐴44
𝑧=5
𝑎11 ⋅ 𝑥15 + 𝑎12 ⋅ 𝑥25 ≤ 𝑃𝐴15 + 𝑃𝐴25 + 𝑃𝐴35 + 𝑃𝐴45
𝑎21 ⋅ 𝑥15 ≤ 𝑃𝐴25 + 𝑃𝐴45
𝑎32 ⋅ 𝑥25 ≤ 𝑃𝐴35 + 𝑃𝐴45
𝑎11 ⋅ 𝑥15 + 𝑎12 ⋅ 𝑥25 + 𝑎21 ⋅ 𝑥15 ≤ 𝑃𝐴15 + 𝑃𝐴25 + 𝑃𝐴35 + 𝑃𝐴45
𝑎11 ⋅ 𝑥15 + 𝑎12 ⋅ 𝑥25 + 𝑎32 ⋅ 𝑥25 ≤ 𝑃𝐴15 + 𝑃𝐴25 + 𝑃𝐴35 + 𝑃𝐴45
𝑎21 ⋅ 𝑥15 + 𝑎32 ⋅ 𝑥25 ≤ 𝑃𝐴25 + 𝑃𝐴35 + 𝑃𝐴45
Ein Modellzu
𝑧=6
𝑎11 ⋅ 𝑥16 + 𝑎12 ⋅ 𝑥26 ≤ 𝑃𝐴16 + 𝑃𝐴26 + 𝑃𝐴36 + 𝑃𝐴46
𝑎21 ⋅ 𝑥16 ≤ 𝑃𝐴26 + 𝑃𝐴46
𝑎32 ⋅ 𝑥26 ≤ 𝑃𝐴36 + 𝑃𝐴46
𝑎11 ⋅ 𝑥16 + 𝑎12 ⋅ 𝑥26 + 𝑎21 ⋅ 𝑥16 ≤ 𝑃𝐴16 + 𝑃𝐴26 + 𝑃𝐴36 + 𝑃𝐴46
𝑎11 ⋅ 𝑥16 + 𝑎12 ⋅ 𝑥26 + 𝑎32 ⋅ 𝑥26 ≤ 𝑃𝐴16 + 𝑃𝐴26 + 𝑃𝐴36 + 𝑃𝐴46
𝑎21 ⋅ 𝑥16 + 𝑎32 ⋅ 𝑥26 ≤ 𝑃𝐴26 + 𝑃𝐴36 + 𝑃𝐴46
𝑧=7
𝑎11 ⋅ 𝑥17 + 𝑎12 ⋅ 𝑥27 ≤ 𝑃𝐴17 + 𝑃𝐴27 + 𝑃𝐴37 + 𝑃𝐴47
𝑎21 ⋅ 𝑥17 ≤ 𝑃𝐴27 + 𝑃𝐴47
𝑎32 ⋅ 𝑥27 ≤ 𝑃𝐴37 + 𝑃𝐴47
𝑎11 ⋅ 𝑥17 + 𝑎12 ⋅ 𝑥27 + 𝑎21 ⋅ 𝑥17 ≤ 𝑃𝐴17 + 𝑃𝐴27 + 𝑃𝐴37 + 𝑃𝐴47
𝑎11 ⋅ 𝑥17 + 𝑎12 ⋅ 𝑥27 + 𝑎32 ⋅ 𝑥27 ≤ 𝑃𝐴17 + 𝑃𝐴27 + 𝑃𝐴37 + 𝑃𝐴47
𝑎21 ⋅ 𝑥17 + 𝑎32 ⋅ 𝑥27 ≤ 𝑃𝐴27 + 𝑃𝐴37 + 𝑃𝐴47
(2) Fortschreibung der Personalausstattung:
𝑃𝐴𝑟𝑧 = 𝑃𝐴𝑟𝑧− + ℎ𝑟𝑧 − 𝑓𝑟𝑧 ∀ 𝑧 ∈ 𝑍, 𝑟 ∈ 𝑅
𝑧=1 𝑧=2
𝑃𝐴11 = 𝑃𝐴10 + ℎ11 − 𝑓11 𝑃𝐴12 = 𝑃𝐴11 + ℎ12 − 𝑓12
𝑃𝐴21 = 𝑃𝐴20 + ℎ21 − 𝑓21 𝑃𝐴22 = 𝑃𝐴21 + ℎ22 − 𝑓22
𝑃𝐴31 = 𝑃𝐴30 + ℎ31 − 𝑓31 𝑃𝐴32 = 𝑃𝐴31 + ℎ32 − 𝑓32
𝑃𝐴41 = 𝑃𝐴40 + ℎ41 − 𝑓41 𝑃𝐴42 = 𝑃𝐴41 + ℎ42 − 𝑓42

𝑧=3 𝑧=4
𝑃𝐴13 = 𝑃𝐴11 + ℎ13 − 𝑓13 𝑃𝐴14 = 𝑃𝐴12 + ℎ14 − 𝑓14
𝑃𝐴23 = 𝑃𝐴21 + ℎ23 − 𝑓23 𝑃𝐴24 = 𝑃𝐴22 + ℎ24 − 𝑓24
𝑃𝐴33 = 𝑃𝐴31 + ℎ33 − 𝑓33 𝑃𝐴34 = 𝑃𝐴32 + ℎ34 − 𝑓34
𝑃𝐴43 = 𝑃𝐴41 + ℎ43 − 𝑓43 𝑃𝐴44 = 𝑃𝐴42 + ℎ44 − 𝑓44
𝑧=5 𝑧=6
𝑃𝐴15 = 𝑃𝐴12 + ℎ15 − 𝑓15 𝑃𝐴16 = 𝑃𝐴13 + ℎ16 − 𝑓16
𝑃𝐴25 = 𝑃𝐴22 + ℎ25 − 𝑓25 𝑃𝐴26 = 𝑃𝐴23 + ℎ26 − 𝑓26
𝑃𝐴35 = 𝑃𝐴32 + ℎ35 − 𝑓35 𝑃𝐴36 = 𝑃𝐴33 + ℎ36 − 𝑓36
𝑃𝐴45 = 𝑃𝐴42 + ℎ45 − 𝑓45 𝑃𝐴46 = 𝑃𝐴43 + ℎ46 − 𝑓46
𝑧=7
𝑃𝐴17 = 𝑃𝐴13 + ℎ17 − 𝑓17
𝑃𝐴27 = 𝑃𝐴23 + ℎ27 − 𝑓27
𝑃𝐴37 = 𝑃𝐴33 + ℎ37 − 𝑓37
𝑃𝐴47 = 𝑃𝐴43 + ℎ47 − 𝑓47
(3) Absatzobergrenzen:
𝑚𝑎𝑥
𝑥𝑝𝑧 ≤ 𝑋𝑝𝑧 ∀ 𝑝 ∈ 𝑃, 𝑧 ∈ 𝑍
𝑝=1
𝑥 ≤ 30 𝑥 ≤ 50 𝑥 ≤ 40 𝑥 ≤ 60 𝑥 ≤ 40 𝑥 ≤ 60 𝑥 ≤ 40
𝑝=2
𝑥 ≤ 20 𝑥 ≤ 40 𝑥 ≤ 10 𝑥 ≤ 60 𝑥 ≤ 20 𝑥 ≤ 60 𝑥 ≤ 20
(4) Einstellungs- und Entlassungsobergrenzen:
ℎ𝑟𝑧 ≤ 𝐻𝑚𝑎𝑥
𝑟𝑧 ∀𝑟 ∈ 𝑅, 𝑧 ∈ 𝑍
𝑓𝑟𝑧 ≤ 𝐹𝑚𝑎𝑥
𝑟𝑧 ∀𝑟 ∈ 𝑅, 𝑧 ∈ 𝑍
Ein Modellzu
𝑧=1 𝑧=2 𝑧=3 𝑧=4 𝑧=5 𝑧=6 𝑧=7
ℎ ≤ 10 ℎ ≤ 10 ℎ ≤ 10 ℎ ≤ 10 ℎ ≤ 10 ℎ ≤ 10 ℎ ≤ 10
ℎ ≤ 15 ℎ ≤ 15 ℎ ≤ 15 ℎ ≤ 15 ℎ ≤ 15 ℎ ≤ 15 ℎ ≤ 15
ℎ ≤8 ℎ ≤8 ℎ ≤8 ℎ ≤8 ℎ ≤8 ℎ ≤8 ℎ ≤8
ℎ ≤ 12 ℎ ≤ 12 ℎ ≤ 12 ℎ ≤ 12 ℎ ≤ 12 ℎ ≤ 12 ℎ ≤ 12
𝑓 ≤5 𝑓 ≤5 𝑓 ≤5 𝑓 ≤5 𝑓 ≤5 𝑓 ≤5 𝑓 ≤5
𝑓 ≤5 𝑓 ≤5 𝑓 ≤5 𝑓 ≤5 𝑓 ≤5 𝑓 ≤5 𝑓 ≤5
𝑓 ≤5 𝑓 ≤5 𝑓 ≤5 𝑓 ≤5 𝑓 ≤5 𝑓 ≤5 𝑓 ≤5
𝑓 ≤5 𝑓 ≤5 𝑓 ≤5 𝑓 ≤5 𝑓 ≤5 𝑓 ≤5 𝑓 ≤5
(5) Nettoerfolgsdefinitionen:
𝑁𝐸𝑧 = 𝐷𝐵𝑝𝑧∗ ⋅ 𝑥𝑝𝑧∗ − (𝐺𝐾𝑟𝑧∗ ⋅ 𝑃𝐴𝑟𝑧∗ + 𝐻𝐾𝑟𝑧∗ ⋅ ℎ𝑟𝑧∗ + 𝐹𝐾𝑟𝑧∗ ⋅ 𝑓𝑟𝑧∗ ) ∀ 𝑧 ∈ 𝑍𝑇

∗
𝑧 ∈𝑍𝑧∗ 𝑝∈𝑃 𝑟∈𝑅
𝑁𝐸4 = 𝐷𝐵11 ⋅ 𝑥11 + 𝐷𝐵21 ⋅ 𝑥21 − 𝐺𝐾11 ⋅ 𝑃𝐴11 − 𝐺𝐾21 ⋅ 𝑃𝐴21 − 𝐺𝐾31 ⋅ 𝑃𝐴31 − 𝐺𝐾41 ⋅ 𝑃𝐴41
+ 𝐷𝐵 ⋅ 𝑥 + 𝐷𝐵 ⋅ 𝑥 − 𝐺𝐾 ⋅ 𝑃𝐴 − 𝐺𝐾 ⋅ 𝑃𝐴 − 𝐺𝐾 ⋅ 𝑃𝐴 − 𝐺𝐾 ⋅ 𝑃𝐴
−𝐻𝐾 ⋅ ℎ − 𝐻𝐾 ⋅ ℎ − 𝐻𝐾 ⋅ ℎ − 𝐻𝐾 ⋅ ℎ − 𝐻𝐾 ⋅ ℎ − 𝐻𝐾 ⋅ ℎ
−𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓
−𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓
−𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓
+ 𝐷𝐵13 ⋅ 𝑥13 + 𝐷𝐵23 ⋅ 𝑥23 − 𝐺𝐾13 ⋅ 𝑃𝐴13 − 𝐺𝐾23 ⋅ 𝑃𝐴23 − 𝐺𝐾33 ⋅ 𝑃𝐴33
−𝐺𝐾 ⋅ 𝑃𝐴 + 𝐷𝐵 ⋅ 𝑥 + 𝐷𝐵 ⋅ 𝑥 − 𝐺𝐾 ⋅ 𝑃𝐴 − 𝐺𝐾 ⋅ 𝑃𝐴 − 𝐺𝐾 ⋅ 𝑃𝐴
−𝐺𝐾 ⋅ 𝑃𝐴 − 𝐻𝐾 ⋅ ℎ − 𝐻𝐾 ⋅ ℎ − 𝐻𝐾 ⋅ ℎ − 𝐻𝐾 ⋅ ℎ − 𝐻𝐾 ⋅ ℎ
−𝐻𝐾 ⋅ ℎ − 𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓
−𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓
−𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓 − 𝐹𝐾 ⋅ 𝑓
𝑥𝑝𝑧 ≥ 0 ∀𝑝 ∈ 𝑃, 𝑧 ∈ 𝑍
𝑃𝐴𝑟𝑧 ≥ 0 ∀𝑟 ∈ 𝑅, 𝑧 ∈ 𝑍
𝑁𝐸𝑧 ≥ 0 ∀𝑧 ∈ 𝑍
𝑓𝑟𝑧 ≥ 0 ∀𝑟 ∈ 𝑅, 𝑧 ∈ 𝑍
ℎ𝑟𝑧 ≥ 0 ∀𝑟 ∈ 𝑅, 𝑧 ∈ 𝑍
Nach Einsetzen aller gegebenen Größen kommen wir zu folgender Optimallösung (vgl. Ta-
belle 18.9) für die Produktion der Produkte 𝑝 = 1 sowie 𝑝 = 2 bei flexibler Planung:
Tabelle 18.9 Optimallösung
𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥
15 10 14 20 20 5 13 30 20 5 20 15 20 10
Dies führt uns zu einem Nettoerfolgserwartungswert i.H.v. 88.278,48 GE.
b.
Ein starrer Plan ist dadurch gekennzeichnet, dass bereits zu Beginn des Planungszeitraums
eine Aktionenfolge festgelegt wird. In unserem Beispiel können wir vier verschiedene starre
Pläne identifizieren.
Der Plan 𝐴1 bestimmt die „optimale“ Aktionenfolge unter der Prämisse, dass die Zustands-
folge 1 − 2 − 4 eintritt. 𝐴2 bestimmt die „optimale“ Aktionsfolge unter der Annahme, dass
1 − 2 − 5 eintritt. Analog dazu bilden der Plan 𝐴3 (bzw. 𝐴4 ) die „optimale“ Folge ab, wenn
1 − 3 − 6 (bzw. 1 − 3 − 7) eintritt.
Die Anwendung der starren Planung führt zu den Ergebnissen aus Tabelle 18.10 (𝑁𝐸 be-
zeichnet hier den Nettoerfolg):
Ein Modellzu
Tabelle 18.10 Aktionsfolgen bei starrer Planung
𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑁𝐸
𝐴
15 10 14 20 13 30 128.294
𝐴
15 10 13 20 20 5 90.587
𝐴
15 10 20 5 24 15 89.582
𝐴
15 10 20 5 20 10 81.280
Die Problematik, die sich bei starren Plänen ergibt, ist die, dass zwar bspw. davon ausgegan-
gen wird, dass die Zustandsfolge 1 − 2 − 4 eintritt, sie aber nicht eintreten muss. In diesem
Fall müssen Konsequenzen getragen werden, die daraus resultieren, wenn eine andere Zu-
standsfolge eintritt.
So ergibt sich bspw. bei Anwendung des starren Plans 𝐴1 , dass bei Eintritt von Zustandsfolge
1 − 2 − 5 in der Periode 𝑡 = 3 von den produzierten Einheiten 𝑥24 = 30 lediglich 10 Einhei-
ten aufgrund der Nachfragerestriktion abgesetzt werden können. Dies führt zu entgehenden
Erlösen i.H.v. 20 ⋅ 4.000 = 80.000 und damit zu einem verringerten Nettoerfolg in der Zu-
standsfolge 1 − 2 − 5 von 48.294 GE.
Analog zu dem beschriebenen Vorgehen können somit für alle vier starren Pläne die Netto-
erfolge von den abweichenden Zustandsfolgen angegeben werden.
Mit Hilfe dieser können die Erwartungswerte 𝜇 ermittelt und in nachfolgender Tabelle 18.11
eingetragen werden. Offensichtlich ist das Ergebnis der flexiblen Planung (in der Erwartung)
besser als die Ergebnisse aller starren Pläne.
Tabelle 18.11 Erwartungswerte der Aktionsfolgen bei starrer Planung
1−2−4 1−2−5 1−3−6 1−3−7

𝜇
𝑤 = 0,06 𝑤 = 0,24 𝑤 = 0,28 𝑤 = 0,42
𝐴 128.294 48.294 68.294 -11.706 33.494
𝐴 90.587 90.587 30.587 30.587 48.587
𝐴 89.582 57.528 89.582 57.582 68.462
𝐴 81.280 81.280 81.280 81.280 81.280
𝐴 128.294 90.512 88.632 81.050 88.278,48
Strategien können hinsichtlich einer Vielzahl an Kriterien differenziert werden. Zur Erinne-
rung: Strategien stellen Maßnahmenbündel dar und keine konkreten Einzelmaßnahmen.
Dementsprechend geht es bei der Differenzierung von verschiedenen Strategien immer um
die Differenzierung von Maßnahmenbündeln und nicht um konkrete Einzelmaßnahmen.
Bei einer Orientierung an betrieblichen Funktionen oder Objekten können wir z.B. Absatz-,
Finanzierungs-, Produktions- oder Personalstrategien voneinander abgrenzen. Absatzstrate-
gien können bspw. darauf ausgerichtet sein, einen maximalen Absatz an produzierten Gü-
tern anzustreben, Finanzierungsstrategien können sich z.B. auf die Beschaffung von Kapital
oder die Kapitalstruktur beziehen. So könnte eine Strategie sein, dass ein Unternehmen mög-
lichst viel Eigenkapital und möglichst wenig Fremdkapital besitzt. Welche konkreten Einzel-
maßnahmen dann umgesetzt werden, wird an dieser Stelle nicht betrachtet.
Strategien, die sich an organisationalen Geltungsbereichen orientieren, können bspw. Unter-

nehmens-, Geschäftsbereichs- oder Funktionsbereichsstrategien sein. So kann sich eine Stra-
tegie bspw. auf ein Unternehmen als Ganzes beziehen oder „nur“ auf einzelne Geschäftsbe-
reiche. Demnach kann eine Strategie bspw. lauten, dass möglichst viele Aufträge vom ge-
samten Unternehmen angenommen werden oder nur von einem einzelnen Geschäftsbereich.
Orientieren sich Strategien an Veränderungen von Objektausprägungen, so können wir

bspw. Expansions-, Konsolidierungs-, Stagnations- und Kontraktionsstrategien voneinander
unterscheiden. Expansionsstrategien können z.B. einen Raum von Handlungsmöglichkeiten
darstellen, die das Ziel verfolgen, das Unternehmen zu vergrößern. Die Stagnationsstrategie
kann Maßnahmenbündel beschreiben, die dafür sorgen sollen, dass das Unternehmen zwar
stabil bleibt, aber keinerlei Wachstum erfährt.
Strategien, die sich hinsichtlich des Verhaltens gegenüber Konkurrenten differenzieren las-
sen, können Offensiv-, Neutralitäts- und Defensivstrategien genannt werden. Als Offensiv-
strategien können solche Maßnahmenbündel bezeichnet werden, die eingesetzt werden, um
eine Erhöhung des Marktanteils auf dem Absatzmarkt zu generieren. Defensivstrategien be-
zeichnen dahingegen Maßnahmenbündel, die dafür eingesetzt werden, um ein Überleben
des Unternehmens auf dem Markt zu sichern.
Strategien bzgl. der Produkt- und Marktentwicklung können hinsichtlich Marktdurchdrin-

gungs-, Marktentwicklungs-, Produktentwicklungs- und Diversifikationsstrategien differen-
ziert werden. Marktdurchdringungsstrategien bezeichnen Maßnahmenbündel, die dafür
eingesetzt werden, mit bestehenden Produkten auf bestehenden Märkten zu agieren. Pro-
duktentwicklungsstrategien werden verwendet, um auf bestehenden Märkten mit neuen
Produkten zu arbeiten. Marktentwicklungsstrategien sind darauf ausgerichtet, mit bestehen-
den Produkten neue Märkte zu erschließen, wohingegen Diversifikationsstrategien sowohl
neue Produkte als auch neue Märkte erschließen (vgl. Ansoff 1957, S. 114).
Strategien, die sich hinsichtlich ihrer Möglichkeiten der Koalitionsbildung differenzieren las-
sen, sind bspw. Unabhängigkeits-, Kooperations-, Akquisitions- oder Beteiligungsstrategien.
Ein Modellzu
Akquisitionsstrategien können z.B. Maßnahmenbündel umfassen, die darauf ausgelegt sind,

möglichst viele Konkurrenten vom Markt zu übernehmen. Wohingegen Unabhängigkeits-
strategien bspw. angestrebt werden, um möglichst unabhängig von der Konkurrenz agieren
zu können (vgl. Spengler 1999, S. 65 ff.).
Bei dem Begriff Niveau geht es um die quantitative Ausrichtung. Dementsprechend betrach-
ten wir bei dem Niveau einer Personalausstattung deren quantitative Dimension. Zur Erin-
nerung: Wir betrachten immer vier Dimensionen, die lokale, temporale, quantitative und
qualitative Dimension.
Hinsichtlich der quantitativen Dimension kann die Personalausstattung weiter differenziert

werden. Bspw. können wir die Gesamtpersonalausstattung des Unternehmens betrachten,
oder lediglich die Personalausstattungen in Teilbereichen. Wenn wir von Niveaukonstanz
sprechen, dann ist damit gemeint, dass wir die quantitative Dimension, demnach die Anzahl
an Arbeitskräften, über den Zeitverlauf konstant halten. Dies kann sich auf die gesamte Per-
sonalausstattung des Unternehmens beziehen oder lediglich auf Teilbereiche oder sogar auf
Personalausstattungen einzelner Arbeitskräftearten.
Bei der Struktur einer Personalausstattung wird die strukturelle Zusammensetzung der Aus-
stattung betrachtet, also bspw. die Qualifikationen der Arbeitskräftearten. Demnach bedeu-
tet eine Konstanz der Struktur, dass wir keine Veränderungen an der qualifikatorischen Zu-
sammensetzung und somit bspw. keine Schulungen vornehmen. Darüber hinaus werden
keine Arbeitskräftekategorien der Personalausstattung hinzugefügt, die andere, weniger o-
der mehr Qualifikationen aufweisen, als die aktuellen.
Sofern beides vorherrscht, also Niveau- und Strukturkonstanz, wird die Personalausstattung
als gegeben und unveränderbar angesehen.
Personalbereitstellung ist dadurch gekennzeichnet, dass der Personalbedarf als gegeben an-
gesehen werden kann. Das heißt, dass der Personalbedarf bereits über Ermittlungsmodelle
festgestellt wurde und somit in deterministischer, stochastischer oder unscharfer Form vor-
liegt. Die Ermittlung des Personalbedarfs kann bspw. durch die Grundgleichung oder durch
die Rosenkranz-Formel vorgenommen werden (s. Kap. 11.2). Das bedeutet, dass der Perso-
nalbedarf im Zuge von Personalbereitstellungsstrategien keine Entscheidungsvariable dar-
stellt. Dementsprechend gilt es, Entscheidungen zu treffen, wie dieser ermittelte Personalbe-
darf gedeckt werden soll. Im Zuge der Bereitstellungsstrategien sollen also Entscheidungen
über die Personalstruktur und deren Niveau getroffen werden. Letztendlich geht es dabei
um die Einrichtung einer optimalen Personalausstattung und den daraus resultierenden op-
timalen Personaleinsatz.
Bei Personalverwendungsstrategien geht es um die Analyse der bestehenden Personalaus-

stattung und darauf aufbauend um die Ausschöpfung von Personalpotenzialitäten. Bei der
Personalverwendung ist nur die Personalausstattung als gegeben anzusehen, während der
Personalbedarf und der Personaleinsatz Entscheidungsvariablen darstellen. Bei Personalver-

wendungsstrategien können wir zwischen einem offensiven und einem defensiven Vorge-
hen unterscheiden. Während offensive Verwendungsstrategien darauf ausgerichtet sind, die
Potenziale in der Ausstattung zu entfalten (bspw. durch Qualifizierungsmaßnahmen / Schu-
lungen), wird in defensiven Verwendungsstrategien die gegebene Personalausstattung als
struktur- und niveaukonstant betrachtet.
Zielfunktion:
𝐺𝐾𝐿 ∙ 𝑃𝐸𝐿 + (𝐺𝐾𝐺 ∙ 𝑃𝐴𝐺 + 𝐻𝐾 ∙ ℎ𝐺 + 𝐹𝐾 ∙ 𝑓𝐺 +

∈ ∈ ∈ ∈ ∈
+ ( 𝐻𝐾 ∙ ℎ𝐿 + 𝐹𝐾 ∙ 𝑓𝐿 + 𝐺𝐾𝑁 ∙ 𝑃𝐸𝑁 ) → min!

∈ ∈
𝑡=1
𝐺𝐾𝐿 ⋅ 𝑃𝐸𝐿 + 𝐺𝐾𝐿 ⋅ 𝑃𝐸𝐿 + 𝐺𝐾𝐺 ⋅ 𝑃𝐴𝐺 + 𝐻𝐾 ⋅ ℎ𝐺 + 𝐹𝐾 ⋅ 𝑓𝐺 + 𝐻𝐾 ⋅ ℎ𝐿

+𝐻𝐾 ⋅ ℎ𝐿 + 𝐹𝐾 ⋅ 𝑓𝐿 + 𝐹𝐾 ⋅ 𝑓𝐿 + 𝐺𝐾𝑁 ⋅ 𝑃𝐸𝑁 + 𝐺𝐾𝑁 ⋅ 𝑃𝐸𝑁
+𝐺𝐾𝐿 ⋅ 𝑃𝐸𝐿 + 𝐺𝐾𝐿 ⋅ 𝑃𝐸𝐿 + 𝐺𝐾𝐿 ⋅ 𝑃𝐸𝐿 + 𝐺𝐾𝐿 ⋅ 𝑃𝐸𝐿 + 𝐺𝐾𝐺 ⋅ 𝑃𝐴𝐺
+𝐻𝐾 ⋅ ℎ𝐺 + 𝐹𝐾 ⋅ 𝑓𝐺 + 𝐺𝐾𝐺 ⋅ 𝑃𝐴𝐺 + 𝐻𝐾 ⋅ ℎ𝐺 + 𝐹𝐾 ⋅ 𝑓𝐺 + 𝐻𝐾 ⋅ ℎ𝐿
+𝐻𝐾 ⋅ ℎ𝐿 + 𝐻𝐾 ⋅ ℎ𝐿 + 𝐹𝐾 ⋅ 𝑓𝐿 + 𝐹𝐾 ⋅ 𝑓𝐿 + 𝐹𝐾 ⋅ 𝑓𝐿 + 𝐺𝐾𝑁 ⋅ 𝑃𝐸𝑁
+𝐺𝐾𝑁 ⋅ 𝑃𝐸𝑁 + 𝐺𝐾𝑁 ⋅ 𝑃𝐸𝑁
+𝐺𝐾𝐿 ⋅ 𝑃𝐸𝐿 + 𝐺𝐾𝐿 ⋅ 𝑃𝐸𝐿 + 𝐺𝐾𝐿 ⋅ 𝑃𝐸𝐿 + 𝐺𝐾𝐿 ⋅ 𝑃𝐸𝐿 + 𝐺𝐾𝐿 ⋅ 𝑃𝐸𝐿
+𝐺𝐾𝐺 ⋅ 𝑃𝐴𝐺 + 𝐻𝐾 ⋅ ℎ𝐺 + 𝐹𝐾 ⋅ 𝑓𝐺 + 𝐺𝐾𝐺 ⋅ 𝑃𝐴𝐺 + 𝐻𝐾 ⋅ ℎ𝐺 + 𝐹𝐾 ⋅ 𝑓𝐺
+𝐻𝐾 ⋅ ℎ𝐿 + 𝐻𝐾 ⋅ ℎ𝐿 + 𝐻𝐾 ⋅ ℎ𝐿 + 𝐹𝐾 ⋅ 𝑓𝐿 + 𝐹𝐾 ⋅ 𝑓𝐿 + 𝐹𝐾 ⋅ 𝑓𝐿
+𝐺𝐾𝑁 ⋅ 𝑃𝐸𝑁 + 𝐺𝐾𝑁 ⋅ 𝑃𝐸𝑁 + 𝐺𝐾𝑁 ⋅ 𝑃𝐸𝑁
+𝐺𝐾𝐿 ⋅ 𝑃𝐸𝐿 + 𝐺𝐾𝐿 ⋅ 𝑃𝐸𝐿 + 𝐺𝐾𝐺 ⋅ 𝑃𝐴𝐺 + 𝐻𝐾 ⋅ ℎ𝐺 + 𝐹𝐾 ⋅ 𝑓𝐺
+𝐻𝐾 ⋅ ℎ𝐿 + 𝐻𝐾 ⋅ ℎ𝐿 + 𝐻𝐾 ⋅ ℎ𝐿 + 𝐻𝐾 ⋅ ℎ𝐿 + 𝐹𝐾 ⋅ 𝑓𝐿 + 𝐹𝐾 ⋅ 𝑓𝐿
+𝐹𝐾 ⋅ 𝑓𝐿 + 𝐹𝐾 ⋅ 𝑓𝐿 + 𝐺𝐾𝑁 ⋅ 𝑃𝐸𝑁 + 𝐺𝐾𝑁 ⋅ 𝑃𝐸𝑁 + 𝐺𝐾𝑁 ⋅ 𝑃𝐸𝑁
+𝐺𝐾𝑁 ⋅ 𝑃𝐸𝑁 +
Ein Modellzu
𝑡=2

+𝐺𝐾𝑁 ⋅ 𝑃𝐸𝑁 +
𝑡=3

+𝐺𝐾𝐺 ⋅ 𝑃𝐴𝐺 + 𝐻𝐾 ⋅ ℎ𝐺 + 𝐹𝐾 ⋅ 𝑓𝐺 +𝐺𝐾𝐺 ⋅ 𝑃𝐴𝐺 + 𝐻𝐾 ⋅ ℎ𝐺 + 𝐹𝐾 ⋅ 𝑓𝐺
+𝐺𝐾𝑁 ⋅ 𝑃𝐸𝑁 → min!
u.d.N.:
(1) Abstimmung von Personalbedarf und Personaleinsatz:
𝑃𝐵 = 𝑃𝐸𝐿 + 𝑃𝐸𝐺 ∀ 𝑡 ∈ 𝑇, 𝑞 ∈ 𝑄
∈ ∈ ∈
𝑡=1
𝑃𝐵 = 𝑃𝐸𝐿 + 𝑃𝐸𝐿 + 𝑃𝐸𝐿 + 𝑃𝐸𝐿 + 𝑃𝐸𝐿 + 𝑃𝐸𝐿 + 𝑃𝐸𝐺 + 𝑃𝐸𝐺 + 𝑃𝐸𝐺

+𝑃𝐸𝐺 + 𝑃𝐸𝐺 + 𝑃𝐸𝐺

+𝑃𝐸𝐺 + 𝑃𝐸𝐺 + 𝑃𝐸𝐺 + 𝑃𝐸𝐺

+𝑃𝐸𝐺 + 𝑃𝐸𝐺
𝑡=2



𝑡=3



(2) Abstimmung von Personaleinsatz und Personalausstattung für Potenziallohnbezieher:
𝑃𝐸𝐺 ≤ 𝑃𝐴𝐺 ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅, 𝑔 ∈ 𝐺
∈
Ein Modellzu
𝑡=1
𝑟=1 𝑟=2
𝑃𝐸𝐺 ≤ 𝑃𝐴𝐺 𝑃𝐸𝐺 + 𝑃𝐸𝐺 ≤ 𝑃𝐴𝐺
𝑃𝐸𝐺 + 𝑃𝐸𝐺 ≤ 𝑃𝐴𝐺
𝑟=3 𝑟=4
𝑃𝐸𝐺 + 𝑃𝐸𝐺 ≤ 𝑃𝐴𝐺 𝑃𝐸𝐺 + 𝑃𝐸𝐺 + 𝑃𝐸𝐺 ≤ 𝑃𝐴𝐺
𝑃𝐸𝐺 + 𝑃𝐸𝐺 + 𝑃𝐸𝐺 ≤ 𝑃𝐴𝐺
𝑡=2
𝑟=1 𝑟=2
𝑟=3 𝑟=4
𝑡=3
𝑟=1 𝑟=2
𝑟=3 𝑟=4

(3) Abstimmung von Personaleinsatz und Personalausstattung für Anforderungslohnbezie-

her:
𝑃𝐸𝐿 + 𝑃𝐸𝑛 = 𝑃𝐴𝐿 ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅, 𝑙 ∈ 𝐿

∈ ∩
𝑡=1
𝑟=1 𝑟=2
𝑃𝐸𝐿 + 𝑃𝐸𝑁 = 𝑃𝐴𝐿 𝑃𝐸𝐿 + 𝑃𝐸𝑁 = 𝑃𝐴𝐿
𝑃𝐸𝐿 + 𝑃𝐸𝑁 = 𝑃𝐴𝐿 𝑃𝐸𝐿 + 𝑃𝐸𝐿 + 𝑃𝐸𝑁 = 𝑃𝐴𝐿
𝑃𝐸𝐿 + 𝑃𝐸𝑁 = 𝑃𝐴𝐿
𝑟=3 𝑟=4
𝑃𝐸𝐿 + 𝑃𝐸𝐿 + 𝑃𝐸𝑁 = 𝑃𝐴𝐿 𝑃𝐸𝐿 + 𝑃𝐸𝑁 = 𝑃𝐴𝐿
𝑃𝐸𝐿 + 𝑃𝐸𝐿 + 𝑃𝐸𝑁 = 𝑃𝐴𝐿 𝑃𝐸𝐿 + 𝑃𝐸𝐿 + 𝑃𝐸𝐿 + 𝑃𝐸𝑁 = 𝑃𝐴𝐿
𝑡=2
𝑟=1 𝑟=2
𝑟=3 𝑟=4

Ein Modellzu
𝑡=3
𝑟=1 𝑟=2
𝑟=3 𝑟=4
(4) Fortschreibung der Ausstattung mit Potenziallohn erhaltenden Arbeitskräfte:

,
𝑃𝐴𝐺 = 𝑃𝐴𝐺 + ℎ𝐺 − 𝑓𝐺 mit 𝑃𝐴𝐺 als Datum und ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅, 𝑔 ∈ 𝐺
𝑡=1
𝑟=1 𝑟=2
𝑃𝐴𝐺 = 𝑃𝐴𝐺 + ℎ𝐺 − 𝑓𝐺 𝑃𝐴𝐺 = 𝑃𝐴𝐺 + ℎ𝐺 − 𝑓𝐺
𝑃𝐴𝐺 = 𝑃𝐴𝐺 + ℎ𝐺 − 𝑓𝐺
𝑟=3 𝑟=4
𝑡=2
𝑟=1 𝑟=2
𝑟=3 𝑟=4
𝑡=3
𝑟=1 𝑟=2
𝑟=3 𝑟=4
(5) Fortschreibung der Ausstattung mit Anforderungslohn erhaltenden Arbeitskräfte:
𝑃𝐴𝐿 = 𝑃𝐴𝐿 , + ℎ𝐿 − 𝑓𝐿 mit 𝑃𝐴𝐿 als Datum und ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅, 𝑙 ∈ 𝐿
𝑡=1
𝑟=1 𝑟=2
𝑃𝐴𝐿 = 𝑃𝐴𝐿 + ℎ𝐿 − 𝑓𝐿 𝑃𝐴𝐿 = 𝑃𝐴𝐿 + ℎ𝐿 − 𝑓𝐿
𝑃𝐴𝐿 = 𝑃𝐴𝐿 + ℎ𝐿 − 𝑓𝐿
𝑟=3 𝑟=4
Ein Modellzu
𝑡=2
𝑟=1 𝑟=2
𝑟=3 𝑟=4
𝑡=3
𝑟=1 𝑟=2
𝑟=3 𝑟=4
(6) Ausschlussbedingungen für die Potenziallohnsätze:

∗
𝑃𝐴 ≤𝑦 ∗ ∙𝑀 ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅, 𝑔∗ ∈ 𝐺
𝑡=1 𝑡=2 𝑡=3
𝑟=1 𝑟=1 𝑟=1
𝑃𝐴𝐺 ≤𝑦 𝑀 𝑃𝐴𝐺 ≤𝑦 𝑀 𝑃𝐴𝐺 ≤𝑦 𝑀

𝑟=2 𝑟=2 𝑟=2
𝑟=3 𝑟=3 𝑟=3
𝑟=4 𝑟=4 𝑟=4
𝑃𝐴𝐺 ≤ 1−𝑦 ∗ ∙ 𝑀 ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅, 𝑔∗ ∈ 𝐺
∈ \{ ∗}
𝑡=1 𝑡=2 𝑡=3
𝑟=1 𝑟=1 𝑟=1
0 ≤ (1 − 𝑦 )𝑀 0 ≤ (1 − 𝑦 )𝑀 0 ≤ (1 − 𝑦 )𝑀
𝑟=2 𝑟=2 𝑟=2
𝑃𝐴𝐺 ≤ (1 − 𝑦 )𝑀 𝑃𝐴𝐺 ≤ (1 − 𝑦 )𝑀 𝑃𝐴𝐺 ≤ (1 − 𝑦 )𝑀
𝑟=3 𝑟=3 𝑟=3
𝑡=1 𝑡=2
𝑟=4 𝑟=4
𝑃𝐴𝐺 + 𝑃𝐴𝐺 ≤ (1 − 𝑦 )𝑀 𝑃𝐴𝐺 + 𝑃𝐴𝐺 ≤ (1 − 𝑦 )𝑀

Ein Modellzuzur
Lösungen simultanen Investitions-
𝑡=3
𝑟=4
𝑃𝐴𝐺 + 𝑃𝐴𝐺 ≤ (1 − 𝑦 )𝑀
𝑃𝐴𝐺 + 𝑃𝐴𝐺 ≤ (1 − 𝑦 )𝑀
𝑃𝐴𝐺 + 𝑃𝐴𝐺 ≤ (1 − 𝑦 )𝑀
(7) Ausschlussbedingungen für die Anforderungslohnsätze:

∗
𝑃𝐴𝐿 ≤𝑦 ∗ ∙𝑀 ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅, 𝑙∗ ∈ 𝐿
𝑡=1 𝑡=2 𝑡=3
𝑟=1 𝑟=1 𝑟=1
𝑃𝐴𝐿 ≤𝑦 𝑀 𝑃𝐴𝐿 ≤𝑦 𝑀 𝑃𝐴𝐿 ≤𝑦 𝑀
𝑟=2 𝑟=2 𝑟=2
𝑟=3 𝑟=3 𝑟=3
𝑟=4 𝑟=4 𝑟=4

𝑃𝐴𝐿 ≤ (1 − 𝑦 ∗ ) ∙ 𝑀 ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅, 𝑙∗ ∈ 𝐿
∈ \{ ∗}
𝑡=1 𝑡=2 𝑡=3
𝑟=1 𝑟=1 𝑟=1
𝑃𝐴𝐿 ≤ (1 − 𝑦 )𝑀 𝑃𝐴𝐿 ≤ (1 − 𝑦 )𝑀 𝑃𝐴𝐿 ≤ (1 − 𝑦 )𝑀
𝑃𝐴𝐿 ≤ (1 − 𝑦 )𝑀 𝑃𝐴𝐿 ≤ (1 − 𝑦 )𝑀 𝑃𝐴𝐿 ≤ (1 − 𝑦 )𝑀
𝑡=1 𝑡=2
𝑟=2 𝑟=2
𝑃𝐴𝐿 + 𝑃𝐴𝐿 ≤ (1 − 𝑦 )𝑀 𝑃𝐴𝐿 + 𝑃𝐴𝐿 ≤ (1 − 𝑦 )𝑀
𝑡=3 𝑡=1
𝑟=2 𝑟=3
𝑡=2 𝑡=3
𝑟=3 𝑟=3
𝑡=1 𝑡=2
𝑟=4 𝑟=4
𝑃𝐴𝐿 + 𝑃𝐴𝐿 + 𝑃𝐴𝐿 ≤ (1 − 𝑦 )𝑀 𝑃𝐴𝐿 + 𝑃𝐴𝐿 + 𝑃𝐴𝐿 ≤ (1 − 𝑦 )𝑀

Ein Modellzu

𝑡=3
𝑟=4
𝑃𝐴𝐿 + 𝑃𝐴𝐿 + 𝑃𝐴𝐿 ≤ (1 − 𝑦 )𝑀
(8) Ausschlussbedingungen für die Lohnformen:
𝑃𝐴𝐺 ≤ 𝑦 ∙ 𝑀 ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅
∈
𝑡=1 𝑡=2 𝑡=3
𝑟=1 𝑟=1 𝑟=1
𝑟=2 𝑟=2 𝑟=2
𝑃𝐴𝐺 + 𝑃𝐴𝐺 ≤𝑦 𝑀 𝑃𝐴𝐺 + 𝑃𝐴𝐺 ≤𝑦 𝑀 𝑃𝐴𝐺 + 𝑃𝐴𝐺 ≤𝑦 𝑀
𝑟=3 𝑟=3 𝑟=3
𝑃𝐴𝐺 + 𝑃𝐴𝐺 ≤𝑦 𝑀 𝑃𝐴𝐺 + 𝑃𝐴𝐺 ≤𝑦 𝑀 𝑃𝐴𝐺 + 𝑃𝐴𝐺 ≤𝑦 𝑀
𝑡=1 𝑡=2
𝑟=4 𝑟=4
𝑃𝐴𝐺 + 𝑃𝐴𝐺 + 𝑃𝐴𝐺 ≤𝑦 𝑀 𝑃𝐴𝐺 + 𝑃𝐴𝐺 + 𝑃𝐴𝐺 ≤𝑦 𝑀
𝑡=3
𝑟=4
𝑃𝐴𝐺 + 𝑃𝐴𝐺 + 𝑃𝐴𝐺 ≤𝑦 𝑀
𝑃𝐸𝐿 ≤ (1 − 𝑦 ) ∙ 𝑀 ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅
∈ ∈
𝑡=1
𝑟=1
𝑃𝐸𝐿 + 𝑃𝐸𝐿 ≤ (1 − 𝑦 )𝑀
𝑟=2
𝑃𝐸𝐿 + 𝑃𝐸𝐿 + 𝑃𝐸𝐿 + 𝑃𝐸𝐿 ≤ (1 − 𝑦 )𝑀
𝑟=3
𝑃𝐸𝐿 + 𝑃𝐸𝐿 + 𝑃𝐸𝐿 + 𝑃𝐸𝐿 + 𝑃𝐸𝐿 ≤ (1 − 𝑦 )𝑀
𝑟=4
𝑃𝐸𝐿 + 𝑃𝐸𝐿 + 𝑃𝐸𝐿 + 𝑃𝐸𝐿 + 𝑃𝐸𝐿 + 𝑃𝐸𝐿 + 𝑃𝐸𝐿 ≤ (1 − 𝑦 )𝑀
𝑡=2
𝑟=1
𝑃𝐸𝐿 + 𝑃𝐸𝐿 ≤ (1 − 𝑦 )𝑀
𝑟=2
𝑟=3
𝑟=4
𝑡=3
𝑟=1
𝑃𝐸𝐿 + 𝑃𝐸𝐿 ≤ (1 − 𝑦 )𝑀
𝑟=2
𝑟=3

Ein Modellzu
𝑟=4
(9) Rekrutierungsobergrenzen für Potenziallohnempfänger:
ℎ𝐺 ≤ 𝐻𝐺 ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅, 𝑔 ∈ 𝐺
𝑡=1 𝑡=2 𝑡=3
𝑟=1 𝑟=1 𝑟=1
ℎ𝐺 ≤ 𝐻𝐺 ℎ𝐺 ≤ 𝐻𝐺 ℎ𝐺 ≤ 𝐻𝐺
𝑟=2 𝑟=2 𝑟=2
𝑟=3 𝑟=3 𝑟=3
𝑟=4 𝑟=4 𝑟=4
(10) Entlassungsobergrenzen für Potenziallohnempfänger:
𝑓𝐺 ≤ 𝐹𝐺 ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅 , 𝑔 ∈ 𝐺
𝑡=1 𝑡=2 𝑡=3
𝑟=1 𝑟=1 𝑟=1
𝑓𝐺 ≤ 𝐹𝐺 𝑓𝐺 ≤ 𝐹𝐺 𝑓𝐺 ≤ 𝐹𝐺
𝑟=2 𝑟=2 𝑟=2
𝑟=3 𝑟=3 𝑟=3
𝑟=4 𝑟=4 𝑟=4
(11) Rekrutierungsobergrenzen für Anforderungslohnempfänger:
ℎ𝐿 ≤ 𝐻𝐿 ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅 , 𝑙 ∈ 𝐿
𝑡=1 𝑡=2 𝑡=3
𝑟=1 𝑟=1 𝑟=1
ℎ𝐿 ≤ 𝐻𝐿 ℎ𝐿 ≤ 𝐻𝐿 ℎ𝐿 ≤ 𝐻𝐿
𝑟=2 𝑟=2 𝑟=2
𝑟=3 𝑟=3 𝑟=3
𝑟=4 𝑟=4 𝑟=4
Ein Modellzu
(12) Entlassungsobergrenzen für Anforderungslohnempfänger
𝑓𝐿 ≤ 𝐹𝐿 ∀ 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅, 𝑙 ∈ 𝐿
𝑡=1 𝑡=2 𝑡=3
𝑟=1 𝑟=1 𝑟=1
𝑓𝐿 ≤ 𝐹𝐿 𝑓𝐿 ≤ 𝐹𝐿 𝑓𝐿 ≤ 𝐹𝐿
𝑟=2 𝑟=2 𝑟=2
𝑟=3 𝑟=3 𝑟=3
𝑟=4 𝑟=4 𝑟=4
Die optimale Zielfunktionswert für das beschriebene Problem beträgt 2.480.000 GE.
Das Entscheidungsfeld setzt sich aus der Menge der Handlungsalternativen, den Umwelt-
zuständen, deren Glaubwürdigkeitsurteilen sowie den Ergebnissen zusammen. Dement-
sprechend wird also ein konkretes Entscheidungsproblem zur Alternativenbewertung durch
ein Entscheidungsfeld abgebildet (vgl. Laux et al. 2014, S. 6). Die Entscheidungsregel und das
Entscheidungsfeld bilden somit die Basiselemente eines Entscheidungsmodells (vgl. ebd., S.
30). Eine Entscheidungsregel gibt an, wie eine Alternative aus einem Alternativenraum aus-
gewählt werden soll (vgl. ebd., S. 34). Die Zielfunktion ist nun nichts anderes, als eine formale
Darstellung der Entscheidungsregel (vgl. ebd., S. 34). Sie dient also der funktionalen Be-
schreibung des Zusammenhangs zwischen den relevanten Zielgrößen, der Präferenzfunk-
tion und dem jeweiligen Optimierungskriterium.
Obwohl in der Realität nur Ambiguität (Mehrdeutigkeit) auftritt, sollte man sich dennoch
mit Univozität (Eindeutigkeit) auseinandersetzen. Eine theoretische Aufarbeitung von Fällen
der Eindeutigkeit führt zu einem besseren Verständnis der Thematik. Anhand simpler Mo-
delle, die Eindeutigkeit enthalten, können bestimmte auftretende Effekte aufgezeigt werden,
ohne die Komplexität mittels Ambiguität zu sehr zu erhöhen. Dementsprechend sind Fälle
der Eindeutigkeit dazu geeignet, Komplexitätsreduktion zu betreiben und einfach gehaltene
Sachverhalte näher zu beleuchten. Bei realen Problemen sollte ein Entscheider jedoch darauf
achten, die Komplexität nicht übermäßig zu reduzieren, damit die durch ein Modell be-
stimmte Lösung verwertbar ist.
Ein Axiom ist ein grundlegender Satz in einem Aussagensystem, der unmittelbar einleuchtet
und (als Grundlage des Aussagensystems) nicht aus anderen Aussagen bewiesen werden
kann, soll oder muss. Wir können also vereinfacht sagen, dass ein Axiom ein Satz ist, der
keines Beweises bedarf.
Als Beispiele dafür gelten die Kolmogoroffschen Axiome, das Ordnungsaxiom oder auch das
Transitivitätsaxiom. In der Physik zählen bspw. die Newtonschen Gesetze zu den Axiomen.
Die Wissenschaft hat regelmäßig ein hohes Interesse an axiomatisierten Theorien, da sie kei-
ner näheren Untersuchung bedürfen.
Zur Erläuterung der Bedingungen (DW.1)-(DW.8) kann bspw. das einmalige Würfeln eines
sechsseitigen (idealen, also nicht manipulierten) Würfels betrachtet werden.
Die Menge der möglichen Ergebnisse (Ergebnisraum) lautet Θ = {1, 2, 3, 4, 5, 6}. Die korres-
pondierende Potenzmenge 𝕻() ist die Menge aller Teilmengen von  inklusive der leeren
Menge ∅ und der Menge  selbst. Sie besteht aus 2| | , hier also aus 2 = 64 Elementen und
lautet (Auszug): 𝕻() = {∅}, {1}, {2}, {3}, {4}, {5}, {6}, {1,2}, {1,3}, … , {1, 2, 3, 4, 5, 6} .
Ein Modellzu
Stellen wir uns vor, für uns seien drei verschiedene Ereignisse (𝐴 , 𝐴 und 𝐴 ) relevant, die
wie folgt definiert sind:
𝐴 : Es wird eine 1 gewürfelt (𝐴 = {1});
𝐴 : Es wird eine 6 gewürfelt (𝐴 = {6});
𝐴 : Es wird eine Primzahl gewürfelt, also eine 2, 3 oder 5 (𝐴 = {2, 3, 5}).
Um diesen Ereignissen Wahrscheinlichkeiten im Kolmogoroffschen Sinne zuordnen zu kön-

nen, benötigen wir eine geeignete 𝜎-Algebra 𝕱, für die gilt: 𝕱 ⊆ 𝕻(). (DW. 1)-(DW. 3) geben
Auskunft darüber, wie diese auszusehen hat:
Nach (DW. 1) muss das unmögliche Ereignis ∅ [hier: Keine der Zahlen von 1-6 wird fallen.]
und das sichere Ereignis  [hier: Es wird mit Sicherheit eine der Zahlen 1-6 fallen.] zur 𝜎-
Algebra gehören.
Nach (DW. 2) müssen die Ereignisse 𝐴 = {1}, 𝐴 = {6} sowie 𝐴 = {2, 3, 5} und damit auch
ihre Gegenereignisse 𝐴 = {2, 3, 4, 5, 6} [Es wird keine 1 gewürfelt.], 𝐴 = {1, 2, 3, 4, 5} [Es
wird keine 6 gewürfelt.] und 𝐴 = {1, 4, 6} [Es wird keine Primzahl gewürfelt.] Elemente der
𝜎-Algebra sein.
Nach (DW. 3) müssen alle möglichen Vereinigungen der Ereignisse, also 𝐴 𝐴 = {1, 6} [Es
wird eine 1 oder eine 6 gewürfelt.], 𝐴 𝐴 = {1, 2, 3, 5} [Es wird eine 1 oder eine Primzahl
gewürfelt.], 𝐴 𝐴 = {2, 3, 5, 6} [Es wird eine 6 oder eine Primzahl gewürfelt.] und
𝐴 𝐴 𝐴 = {1, 2, 3, 5, 6} [Es wird entweder eine 1, eine 6 oder eine Primzahl gewürfelt.] zur
𝜎-Algebra gehören. Hier müssen wir beachten, dass nach (DW. 2) für jedes Element, das der
𝜎-Algebra angehört (also auch die Vereinigungen), entsprechend wieder das jeweilige Gege-
nereignisse beinhalten müssen. D.h., dass zusätzlich die korrespondierenden Gegenereig-
nisse für die Vereinigungen zu definieren sind:
(𝐴 𝐴 ) = {2, 3, 4, 5} [Es wird weder eine 1, noch eine 6 gewürfelt.],
(𝐴 𝐴 ) = {4, 6} [Es wird weder eine 1, noch eine Primzahl gewürfelt.],
(𝐴 𝐴 ) = {1, 4} [Es wird weder eine 6 noch eine Primzahl gewürfelt.] und
(𝐴 𝐴 𝐴 ) = {4} [Es wird weder eine 1 oder 6 noch eine Primzahl gewürfelt.].
Unsere 𝜎-Algebra lautet sodann:
𝕱 = {{∅}, {1}, {4}, {6}, {1, 4}, {1, 6}, {4, 6}, {1, 4, 6}, {2, 3, 5}, {1, 2, 3, 5}, {2, 3, 4, 5}, {2, 3, 5, 6},
{1, 2, 3, 4, 5}, {1, 2, 3, 5, 6}, {2, 3, 4, 5, 6}, {1, 2, 3, 4, 5, 6}}
𝕱 erfüllt die Bedingungen (DW. 1)-(DW. 3) und ist – wie leicht zu sehen ist – eine echte Teil-
menge von 𝕻(). Auf dieser 𝜎-Algebra können wir nun gemäß (DW. 4)-(DW. 8) (Kolmo-
goroffsche) Wahrscheinlichkeiten für die Ereignisse 𝐴 -𝐴 definieren.
Entsprechend der klassischen Wahrscheinlichkeitsdefinition (vgl. dazu z.B. Spengler 1999,

S. 86) haben die einzelnen Ergebnisse (sie werden auch als sog. Elementarereignisse be-
zeichnet) eines einmaligen (idealen) Würfelwurfs, also das Würfeln einer 1, 2, 3, 4, 5 oder 6,
( ü ä )
die Wahrscheinlichkeit von jeweils . In Verbindung mit (DW. 4)-
( ö ä )
(DW. 8) ergeben sich folgende Werte für unser Beispiel:
𝑃𝑟𝑜𝑏( = {1, 2, 3, 4, 5, 6}) = 1 [Die Wahrscheinlichkeit dafür, dass eine Zahl 1-6 fällt ist 1.]
 entspricht Bedingung (DW. 5)
𝑃𝑟𝑜𝑏(∅) = 0 [Die Wahrscheinlichkeit dafür, dass keine der Zahlen 1-6 fällt ist 0.]
 entspricht Bedingung (DW. 8)
𝑃𝑟𝑜𝑏(𝐴 = {1}) = [Die Wahrscheinlichkeit dafür, dass eine 1 fällt, beträgt .]
𝑃𝑟𝑜𝑏(𝐴 = {6}) = [Die Wahrscheinlichkeit dafür, dass eine 6 fällt, beträgt .]
𝑃𝑟𝑜𝑏(𝐴 = {2,3,5}) = [Die Wahrscheinlichkeit dafür, dass eine Primzahl fällt, beträgt .]
𝐴 setzt sich aus drei (disjunkten) Elementarereignissen zusammen. Sie werden gemäß
(DW. 6) zum Ereignis „Eine Primzahl wird gewürfelt“ (d.h. es wird eine 2 oder eine 3 oder
eine 5 gewürfelt) zusammengefasst.
Unter Rückgriff auf unsere 𝜎-Algebra können wir mithilfe von (DW. 6) zusätzlich auch die
Wahrscheinlichkeiten für die jeweils gebildeten Vereinigungen von 𝐴 , 𝐴 und 𝐴 bestim-
men:
𝑃𝑟𝑜𝑏(𝐴 𝐴 = {1, 6}) = + = [Die Wahrscheinlichkeit dafür, dass eine 1 oder eine 6
gewürfelt wird beträgt .];
𝑃𝑟𝑜𝑏(𝐴 𝐴 = {1, 2, 3, 5}) = + = [Die Wahrscheinlichkeit dafür, dass eine 1 oder eine
Primzahl gewürfelt wird beträgt .];
𝑃𝑟𝑜𝑏(𝐴 𝐴 = {2, 3, 5, 6}) = + = [Die Wahrscheinlichkeit dafür, dass eine 6 oder eine
Primzahl gewürfelt wird beträgt .];
𝑃𝑟𝑜𝑏(𝐴 𝐴 𝐴 = {1, 2, 3, 5, 6}) = + + = [Die Wahrscheinlichkeit dafür, dass eine 1,
eine 6 oder eine Primzahl gewürfelt wird, beträgt .]
Gemäß Bedingung (DW. 7) lassen sich analog nun auch die Wahrscheinlichkeiten für die sich
in der 𝜎-Algebra befindlichen Gegenereignisse bestimmen.
Wie leicht zu sehen ist, sind alle hergeleiteten Wahrscheinlichkeiten nicht negativ, womit
(DW. 4) ebenfalls erfüllt ist.
Ein Modellzu
Entscheider agieren in einer komplexen und vielfältigen Umwelt. Es ist für einen Entscheider
grundsätzlich schwierig, die bereits angesprochene 𝜎-Algebra aufzustellen. Häufig ist es
schier unmöglich, alle möglichen Ereignisse erfassen zu können, dafür sind viele Probleme
(einfach gesagt) zu komplex.
Betrachten wir das Beispiel eines Atomkraftwerks. In einem Atomkraftwerk spielen so viele
mögliche Ereignisse eine Rolle, dass ein Entscheider diese gar nicht alle in seine Entschei-
dungsfindung einbeziehen kann.
Nehmen wir an, Sie seien ein Student und überlegen, ob Sie am morgigen Tag zur Vorlesung
gehen oder nicht. Grundsätzlich gibt es zwei Alternativen: entweder Sie gehen zur Vorlesung
oder Sie gehen nicht.
Es gibt jetzt eine Vielzahl von Umweltzuständen, die eintreten und dementsprechend auch
(im Risikofall) mit Eintrittswahrscheinlichkeiten versehen werden können. Sie könnten zur
Vorlesung gehen und der Dozent erzählt Ihnen etwas Klausurrelevantes (Zustand 1), dem-
entsprechend ist ihr Nutzen hoch. Genauso gut kann es aber auch sein, dass der Dozent
nichts Klausurrelevantes erzählt (Zustand 2) und Sie sich langweilen. Jetzt könnten Sie sich
überlegen, dass die Wahrscheinlichkeit für das Eintreten des Zustandes 1 bei 0,8 liegt und
die Wahrscheinlichkeit für Zustand 2 bei 0,2. Dabei berücksichtigen Sie aber nur zwei mög-
liche Zustände. Genauso gut könnte es Ihnen passieren, dass Sie auf dem Weg einen Fahr-
radunfall haben (Zustand 3) und die Vorlesung gar nicht erst erreichen. Es könnte auch pas-
sieren, dass während der Vorlesung ein Meteor vom Himmel stürzt (Zustand 4) usw. Dem-
entsprechend ist eine fundierte Angabe von traditionellen Wahrscheinlichkeiten sehr
schwierig, da Entscheider häufig nicht in der Lage dazu sind, alle möglichen Ereignisse in
ihrer Entscheidungsfindung zu berücksichtigen.
Das hält uns allerdings nicht davon ab, mit klassischen Wahrscheinlichkeiten zu arbeiten, da
wir nur die möglicherweise eintretenden Umweltzustände in unseren Kalkül mit einbezie-
hen, die wir als relevant für eine Entscheidung ansehen. Ob es eine Möglichkeit gibt, dass ein
Meteor vom Himmel fällt oder nicht, ist für Ihre Entscheidung, ob Sie zur Vorlesung gehen
vermutlich irrelevant.
Die Zugehörigkeitsfunktion für das Beispiel auf S. 94 ist im Folgenden dargestellt (vgl. Ab-
bildung 18.14):
Abbildung 18.14 Zugehörigkeitsfunktion
𝜇 (𝑥)
1
0,8
0,6
0,4
0,2
25 50 75 100 𝑥∈𝑋
Der wesentliche Unterschied zwischen deterministischen und stochastischen Modellen liegt

darin, dass in stochastischen Modellen Wahrscheinlichkeitsverteilungen berücksichtigt wer-
den. In deterministischen Modellen sind entscheidungsrelevante Daten bereits exakt be-
stimmt und festgelegt. Dementsprechend liegen spätestens zum Zeitpunkt der Entscheidung
die Menge der relevanten Handlungsalternativen, Umweltzustände und Ergebnisse vor.
Darüber hinaus ist der eintretende Umweltzustand mit Sicherheit bekannt, es gibt also kei-
nen Ungewissheits- oder Risikofall.
Bei rein semantischer Betrachtung bezeichnen die Begriffe Probabilität (lat. probabilitas) die
Wahrscheinlichkeit, Possibilität (lat. possibilitas) die Möglichkeit und Nezessität (lat. neces-
sitas) die Notwendigkeit. Im vorliegenden Anwendungskontext geht es um inhaltlich unter-
schiedliche Unbestimmtheitsmaßzahlen, die auch formal unterschiedlich konstruiert sind.
Probabilitätswerte, ob nun additive (d.h. Kolmogoroffsche laut Definition 10.2) oder nicht-
additive (laut DW. 10 und DW.11 aus Definition 10.3), bringen Urteile des Entscheiders zum
Ausdruck, zu welchem Grade er es für wahr erachtet, dass zukünftig ein gewisses Ereignis
(𝐴) eintritt (formal: 𝑃𝑟𝑜𝑏(𝐴)). Possibilitätswerte hingegen drücken die Einschätzung des Ent-
scheiders darüber aus, ob und zu welchem Grade er den Eintritt eines Ereignisses für mög-
lich hält (formal: 𝑃𝑜𝑠𝑠(𝐴)). Wie Probabilitäten können auch Possibilitäten Werte aus dem
Einheitsintervall [0,1] annehmen, wobei 𝑃𝑜𝑠𝑠(𝐴) = 1 bedeutet, dass das Eintreten des Ereig-
nisses 𝐴 auf jeden Fall für möglich erachtet, während die Bewertung 𝑃𝑟𝑜𝑏(𝐴) = 1 bedeutet,
Ein Modellzu
dass das Ereignis 𝐴 mit Sicherheit eintreten wird. Possibilitäten sind im Verhältnis zu Proba-
bilitäten also schwächere Bewertungen, sodass gilt 𝑃𝑜𝑠𝑠(𝐴) ≥ 𝑃𝑟𝑜𝑏(𝐴).
Die Beziehung von Probabilität und Possibilität kann dahingehend wie folgt konkretisiert
werden:
Ein Ereignis 𝐴, das
■ als möglich eingeschätzt wird, kann, muss aber nicht, wahrscheinlich sein
(𝑃𝑜𝑠𝑠(𝐴) > 0 ⟹ 𝑃𝑟𝑜𝑏(𝐴) ≥ 0);
■ als wahrscheinlich eingeschätzt wird, muss zwangsläufig auch möglich sein

(𝑃𝑟𝑜𝑏(𝐴) > 0 ⟹ 𝑃𝑜𝑠𝑠(𝐴) > 0);
■ unmöglich ist, kann nicht wahrscheinlich sein (𝑃𝑜𝑠𝑠(𝐴) = 0 ⟹ 𝑃𝑟𝑜𝑏(𝐴) = 0);

■ unwahrscheinlich ist, muss nicht, kann aber trotzdem möglich sein (𝑃𝑟𝑜𝑏(𝐴) = 0 ⟹
𝑃𝑜𝑠𝑠(𝐴) ≥ 0).
Mittels Nezessitätswerten, die ebenfalls zwischen 0 und 1 liegen können, wird ausgedrückt,
zu welchem Grade der Entscheider den Eintritt eines Ereignisses für notwendig erachtet (for-
mal: 𝑁𝑒𝑐(𝐴)). Zwischen Possibilitäts- und Nezessitätsmaßen herrscht eine Dualitätsbezie-
hung, woraus folgende Zusammenhänge abgeleitet werden können:
Wenn ein Ereignis 𝐴
■ als notwendig eingeschätzt wird, muss es auf jeden Fall möglich sein
(𝑁𝑒𝑐(𝐴) > 0 ⟹ 𝑃𝑜𝑠𝑠(𝐴) = 1);
■ als nicht gänzlich möglich bewertet wird (kommt also in Frage, dass 𝐴 zu einem ge-
wissen Grade auch unmöglich ist), dann ist ausgeschlossen ist, dass 𝐴 notwendig
sein kann (𝑃𝑜𝑠𝑠(𝐴) < 1 ⟹ 𝑁𝑒𝑐(𝐴) = 0).
Aufgrund der Dualitätsbeziehung können Nezessitätsgrade aus den korrespondierenden
Possibilitätsgraden abgeleitet werden (et vice versa).
So ergibt sich der Grad der Notwendigkeit von 𝐴 als Differenz aus 1 und dem Grad der Mög-
lichkeit des Gegenereignisses (𝐴 ):
𝑁𝑒𝑐(𝐴) = 1 − 𝑃𝑜𝑠𝑠(𝐴 )
[Beispiel: Der Grad der Notwendigkeit dafür, dass ein Mitarbeiter befördert wird, ist gleich
dem Grad, zu dem es unmöglich ist, dass er nicht befördert wird.]
Analog ergibt sich der Grad der Möglichkeit von 𝐴 als Differenz aus 1 und dem Grad der
Notwendigkeit des Gegenereignisses (𝐴 ):
𝑃𝑜𝑠𝑠(𝐴) = 1 − 𝑁𝑒𝑐(𝐴 )
[Beispiel: Der Grad der Möglichkeit dafür, dass ein Mitarbeiter befördert wird, ist gleich dem
Grad, zu dem es nicht notwendig ist, dass er nicht befördert wird.]
Aus den oben beschriebenen einzelnen Zusammenhängen kann zudem abgeleitet werden,
dass
■ Possibilitätsgrade mindestens so groß sein müssen, wie korrespondierende Nezessi-

tätsgrade (𝑃𝑜𝑠𝑠(𝐴) ≥ 𝑁𝑒𝑐(𝐴)),
■ die Summe aus den Graden der Möglichkeit von Ereignis 𝐴 und dem korrespondie-
renden Gegenereignis Werte größer eins annehmen kann (𝑃𝑜𝑠𝑠(𝐴) + 𝑃𝑜𝑠𝑠(𝐴 ) ≥ 1)
und
■ die Summe aus den Graden der Notwendigkeit von Ereignis A und dem korrespon-
dierenden Gegenereignis Werte kleiner eins annehmen kann (𝑁𝑒𝑐(𝐴) + 𝑁𝑒𝑐(𝐴 ) ≤
1),
was zum Ausdruck bringt, dass die Bedingung der 𝜎-Additivität für Possibilitäten und Ne-
zessitäten nicht zwangsläufig erfüllt sein muss.
Zusammenfassend gilt:
𝑁𝑒𝑐(𝐴) ≤ 𝑃𝑟𝑜𝑏(𝐴) ≤ 𝑃𝑜𝑠𝑠(𝐴)
Gemäß (DW.9) aus Definition 10.3 gilt ein Maß als additiv, wenn die Summe der bewerteten
Einzelereignisse dem Wert der Vereinigung dieser Ereignisse entspricht (𝑣(𝐴  𝐵) = 𝑣(𝐴 ) +
𝑣(𝐵 )). Aus (DW.6) der Definition 10.2 geht hervor, dass diese Bedigung für (Kolmogoroff-
sche) Wahrscheinlichkeiten erfüllt ist.
Ein Maß ist dann subadditiv, wenn die Summe der bewerteten Einzelereignisse größer als
der Wert der Vereinigung dieser Ereignisse ist (𝑣(𝐴  𝐵) ≤ 𝑣(𝐴 ) + 𝑣(𝐵 )).
Ein Maß ist dann superadditiv, wenn die Summe der bewerteten Einzelereignisse kleiner als
der Wert der Vereinigung dieser Ereignisse ist (𝑣(𝐴  𝐵) ≥ 𝑣(𝐴 ) + 𝑣(𝐵 )).
Betrachten wir die LPI-Verteilung aus Abbildung 10.3:
0,2 ≤ 𝑤 ≤ 0,5
0,3 ≤ 𝑤 ≤ 0,6
0,1 ≤ 𝑤 ≤ 0,3
Aus (DW.5) der Definition 10.2 ist uns bekannt, dass das sichere Ereignis den Wert 1 anneh-
men muss. Für das vorliegende Beispiel gilt in diesem Zusammenhang also
𝑤() = 𝑤(𝑧 = 1  𝑧 = 2  𝑧 = 3) = 1
[Lies: Die Wahrscheinlichkeit dafür, dass Umweltzustand 𝑧 = 1 oder 𝑧 = 2 oder 𝑧 = 3 eintritt

Ein Modellzu
ist eins; alternativ: Es wird mit Sicherheit Umweltzustand 𝑧 = 1 oder 𝑧 = 2 oder 𝑧 = 3 ein-
treten.]
Bilden wir die Summe der unteren Wahrscheinlichkeiten (∑ 𝑤 = 0,2 + 0,3 + 0,1 = 0,6) so
stellen wir fest, dass diese kleiner eins ist. Bilden wir die Summe der oberen Wahrscheinlich-
keiten (∑ 𝑤 = 0,5 + 0,6 + 0,3 = 1,4) so stellen wir fest, dass diese größer eins ist.
Untere Wahrscheinlichkeiten sind demnach immer superadditiv und obere subadditiv. Es

gilt stets: 𝑤 ≤ 𝑤 ≤ 𝑤 .
Die Angabe 𝑤1 ≤ 𝑤2 heißt lediglich, dass 𝑤2 immer größer gleich 𝑤1 sein muss. Bei dieser
Angabe handelt es sich um die Darstellung komparativer Wahrscheinlichkeiten. Daraus lässt
sich schlussfolgern, dass 𝑤2 im Intervall von 0,5 bis 1 und 𝑤1 im Intervall von 0 bis 0,5 liegt.
Grafisch lässt sich dies aus der nachfolgenden Abbildung 18.15 ableiten, wobei 𝑤2 auf der
Ordinate und 𝑤1 auf Abszisse abgetragen ist. Die fettmarkierte Linie repräsentiert nun den
Bereich, in dem 𝑤1 ≤ 𝑤2 erfüllt ist. Demnach lässt sich die komparative Wahrscheinlichkeit
auch als Intervallwahrscheinlichkeit darstellen:
0 ≤ 𝑤 ≤ 0,5
𝐿𝑃𝐼(𝑤) =
0,5 ≤ 𝑤 ≤ 1
Des Weiteren wird der Fall 𝑤1 + 𝑤2 ≥ 𝑤3 betrachtet. Da es in diesem Fall um eine Wahr-
scheinlichkeitsverteilung über drei Umweltzustände geht, können wir diese Verteilung im
baryzentrischen Dreieck grafisch darstellen (vgl. Abbildung 18.15).
Abbildung 18.15 Grafische Darstellung der Intervallwahrscheinlichkeiten
(1,0,0)
𝐷
𝑤
𝑤3 𝑤2
𝐵
0,5
𝐶
0,5 1 𝑤 (0,1,0) 𝐴 (0,0,1)
𝑤1
Die additiv verknüpften Wahrscheinlichkeiten in der Form 𝑤1 + 𝑤2 ≥ 𝑤3 spannen den oben

dargestellten Polyeder auf. Zur Erläuterung, warum dies so ist, sollen an dieser Stelle ausge-
wählte Punkte aus dem schraffierten Polyeder herausgegriffen werden.
Betrachten wir den Punkt A, so stellen wir fest, dass dieser Eckpunkt die Wahrscheinlichkei-
ten 𝑤1 = 0, 𝑤2 = 0,5 und 𝑤3 = 0,5 aufweist. Damit ist die Ungleichung 𝑤1 + 𝑤2 ≥ 𝑤3 er-
füllt. Analog dazu tritt dies an Punkt B mit 𝑤1 = 0,5, 𝑤2 = 0 und 𝑤3 = 0,5 auf. Im Punkt C
(D) treten die Wahrscheinlichkeiten 𝑤1 = 0 (𝑤1 = 1), 𝑤2 = 1 (𝑤2 = 0) und 𝑤3 = 0 auf.
Auch diese Verteilungen erfüllen die Ungleichung. Jeder Eckpunkt des Polyeders und jeder
Punkt in diesem Polyeder erfüllt die Bedingung 𝑤1 + 𝑤2 ≥ 𝑤3 . Diese additiv verknüpften
Wahrscheinlichkeiten können wir auch, aus dem Polyeder ableitend, als Intervallwahr-
scheinlichkeiten formulieren:
0≤𝑤 ≤1
𝐿𝑃𝐼(𝑤) = 0≤𝑤 ≤1
0 ≤ 𝑤 ≤ 0,5
Nein, die LPI-Theorie ist nicht auf Fälle mit drei Umweltzuständen beschränkt. Wie bereits
aus Aufgabe 44 ersichtlich ist, sind auch Fälle mit zwei Umweltzuständen durch die LPI-
Theorie darstellbar und anwendbar. Allerdings können nur die Fälle mit drei Umweltzustän-
den im (zweidimensionalen) baryzentrischen Dreieck dargestellt werden.
Allerdings können wir die benötigte Extremalpunktematrix (Eckpunktematrix) auf analyti-

schem Weg bestimmen.
Dazu sei an dieser Stelle die folgende Wahrscheinlichkeitsverteilung gegeben:
0,4 ≤ 𝑤 ≤ 0,6
0,1 ≤ 𝑤 ≤ 0,3
𝐿𝑃𝐼(𝑤) =
0,2 ≤ 𝑤 ≤ 0,4
0,1 ≤ 𝑤 ≤ 0,3
Bekanntermaßen können wir bei drei Umweltzuständen ein baryzentrisches Dreieck kon-
struieren und mittels des aufgespannten Polyeders die Eckpunkte der Wahrscheinlichkeits-
verteilungen ablesen.
Auf analytischem Wege funktioniert die Ermittlung der Eckpunkte folgendermaßen:
Wir ermitteln alle möglichen Kombinationen aus Obergrenzen und Untergrenzen von drei
Wahrscheinlichkeitsintervallen 𝑤𝑖 mit 𝑖 ∈ 𝐼 und 𝐼 ≔ {1,2,3,4} und lassen die vierte Intervall-
wahrscheinlichkeit als Residualgröße offen und dementsprechend variabel. Bei Anwendung
der Formel 𝐼 ∙ 2 ergeben sich somit 4 ⋅ 2 = 32 verschiedene Kombinationen, die über-
prüft werden müssen.
Darauf aufbauend lassen sich folgende Tabellen bzw. Matrizendarstellungen (vgl. Tabelle
18.12 und Tabelle 18.13) für die Kombinationen erstellen. Dabei werden alle Kombinationen
Ein Modellzu
von drei Intervallen und deren Ober- und Untergrenzen fixiert und eine Residualgröße (hier
die jeweils fett gedruckte Zeile) frei gelassen. Die Residualgröße ergibt sich aus der Differenz
von 1 und der Summe der drei fixierten Wahrscheinlichkeiten. Dementsprechend ermittelt
sich die erste Spalte exemplarisch betrachtet:
𝑤1 + 𝑤3 + 𝑤4 = 0,6 + 0,4 + 0,3 = 1,3
𝑤2 = 1 − 1,3 = −0,3
Das heißt, dass die „Wahrscheinlichkeit“ für 𝑤4 = −0,3 beträgt. Offensichtlich ist dies keine
zulässige Lösung, da Wahrscheinlichkeiten nicht negativ werden dürfen.
Dies führt uns zum zweiten Schritt der Ermittlung der Extremalpunktematrix. Nach Aufstel-
len aller möglichen Kombinationen werden alle unzulässigen sowie alle doppelten (und
dementsprechend überflüssigen) Wahrscheinlichkeiten „weggestrichen“. Unzulässig sind
hier zum einen alle negativen „Wahrscheinlichkeiten“ sowie diejenigen Wahrscheinlichkei-
ten, die die Intervallgrenzen verletzen (also über- oder unterschreiten).
Tabelle 18.12 Ermittlung der Extremalpunktematrix (1)
𝑤 𝑤 𝑤 𝑤 𝑤 𝑤 𝑤 𝑤 𝒘𝟏 𝒘𝟏 𝒘𝟏 𝒘𝟏 𝒘𝟏 𝒘𝟏 𝒘𝟏 𝒘𝟏
𝒘𝟐 𝒘𝟐 𝒘𝟐 𝒘𝟐 𝒘𝟐 𝒘𝟐 𝒘𝟐 𝒘𝟐 𝑤 𝑤 𝑤 𝑤 𝑤 𝑤 𝑤 𝑤
𝑤 𝑤 𝑤 𝑤 𝑤 𝑤 𝑤 𝑤 𝑤 𝑤 𝑤 𝑤 𝑤 𝑤 𝑤 𝑤
0,6 0,4 0,6 0,6 0,4 0,6 0,4 0,4 0 0,2 0,2 0,2 0,4 0,4 0,4 0,6
- - - -
0,1 0,1 0,1 0,3 0,3 0,1 0,3 0,3 0,1 0,3 0,1 0,1
0,3 0,1 0,1 0,1
0,4 0,4 0,2 0,4 0,2 0,2 0,4 0,2 0,4 0,4 0,2 0,4 0,2 0,2 0,4 0,2
0,3 0,3 0,3 0,1 0,3 0,1 0,1 0,1 0,3 0,3 0,3 0,1 0,3 0,1 0,1 0,1
Tabelle 18.13 Ermittlung der Extremalpunktematrix (2)
𝑤 𝑤 𝑤 𝑤 𝑤 𝑤 𝑤 𝑤 𝒘𝟑 𝒘𝟑 𝒘𝟑 𝒘𝟑 𝒘𝟑 𝒘𝟑 𝒘𝟑 𝒘𝟑
𝒘𝟒 𝒘𝟒 𝒘𝟒 𝒘𝟒 𝒘𝟒 𝒘𝟒 𝒘𝟒 𝒘𝟒 𝑤 𝑤 𝑤 𝑤 𝑤 𝑤 𝑤 𝑤
0,6 0,4 0,6 0,6 0,4 0,6 0,4 0,4 0,6 0,4 0,6 0,6 0,4 0,6 0,4 0,4
0,3 0,3 0,1 0,3 0,1 0,1 0,3 0,1 0,3 0,3 0,1 0,3 0,1 0,1 0,3 0,1
-
0,4 0,4 0,4 0,2 0,4 0,2 0,2 0,2 0 0 0 0,2 0,2 0,2 0,4
0,2
- - - -
0,1 0,1 0,1 0,3 0,3 0,3 0,3 0,1 0,3 0,1 0,1 0,1
0,3 0,1 0,1 0,1
Durch dieses „Wegstreichen“ bleiben nur noch die Kombinationen über, die Eckpunkte dar-
stellen. Demnach können wir nun die Extremalpunktematrix aufstellen:
0,4 0,6 0,4 0,4

0,1 0,1 0,1 0,3
𝑀(𝐿𝑃𝐼) =
0,2 0,2 0,4 0,2
0,3 0,1 0,1 0,1
Mit Hilfe dieser Extremalpunktematrix kann nun weitergearbeitet werden, um bei gegebe-
nen Werten Nutzenerwartungswerte zu ermitteln und eine Entscheidung hinsichtlich der
Auswahl von zur Verfügung stehenden Alternativen zu treffen.
Es ist somit deutlich gemacht, dass die LPI-Theorie nicht nur auf die Fälle von drei Umwelt-
zuständen beschränkt ist. Lediglich eine grafische Darstellung im (zweidimensionalen) ba-
ryzentrischen Dreieck ist bei mehr als drei Umweltzuständen nicht durchführbar.
Zur Lösung der Aufgabe wird zuerst die Extremalpunktematrix (Eckpunktematrix) be-
stimmt. Diese kann zum einen auf analytischem Weg ermittelt, oder aus der grafischen Dar-
stellung des baryzentrischen Dreiecks abgelesen werden. Wie der Name bereits sagt, gibt die
Eckpunktematrix alle Eckpunkte wider, die aus der Konstruktion des Polyeders entstehen.
Die Extremalpunktematrix (mit 𝑤 in der ersten, 𝑤 in der zweiten und 𝑤 in der dritten
Zeile) lautet im vorliegen Beispiel:
0,2 0,2 0,3 0,5 0,5 0,4

𝑀(𝐿𝑃𝐼) = 0,5 0,6 0,6 0,4 0,3 0,3
0,3 0,2 0,1 0,1 0,2 0,3
Mit Hilfe dieser Matrix können wir nun die Erwartungswertvektoren der einzelnen Hand-
lungsalternativen bestimmen:
𝐸(𝑗 = 1) = 𝑈(1) ⋅ 𝑀(𝐿𝑃𝐼) = (200 500 800) ⋅ 𝑀(𝐿𝑃𝐼) = (530 500 440 380 410 470).
Die einzelnen Werte können mit der Rechenregel „Zeile mal Spalte“ ermittelt werden:
530 = 200 ⋅ 0,2 + 500 ⋅ 0,5 + 800 ⋅ 0,3
500 = 200 ⋅ 0,2 + 500 ⋅ 0,6 + 800 ⋅ 0,2
440 = 200 ⋅ 0,3 + 500 ⋅ 0,6 + 800 ⋅ 0,1
380 = 200 ⋅ 0,5 + 500 ⋅ 0,4 + 800 ⋅ 0,1
410 = 200 ⋅ 0,5 + 500 ⋅ 0,3 + 800 ⋅ 0,2
470 = 200 ⋅ 0,4 + 500 ⋅ 0,3 + 800 ⋅ 0,3

Ein Modellzu
Analog dazu ergeben sich für die beiden anderen Handlungsalternativen nachfolgende Er-
wartungswerte:
𝐸(𝑗 = 2) = 𝑈(2) ⋅ 𝑀(𝐿𝑃𝐼) = (400 400 400) ⋅ 𝑀(𝐿𝑃𝐼) = (400 400 400 400 400 400)
𝐸(𝑗 = 3) = 𝑈(3) ⋅ 𝑀(𝐿𝑃𝐼) = (400 200 500) ⋅ 𝑀(𝐿𝑃𝐼) = (330 300 290 330 360 370)
Es ist ersichtlich, dass der Erwartungswertvektor von 𝑗 = 3 sowohl von 𝑗 = 1 als auch von
𝑗 = 2 dominiert wird.
Aus diesen berechneten Erwartungswerten können wir nun die jeweiligen minimalen sowie
maximalen Erwartungswerte ablesen:
𝐸 (𝑗 = 1) = 380 𝐸 (𝑗 = 2) = 400 𝐸 (𝑗 = 3) = 290
𝐸 (𝑗 = 1) = 530 𝐸 (𝑗 = 2) = 400 𝐸 (𝑗 = 3) = 370
Damit ergibt sich bei Anwendung des MaxEmin-Prinzips, dass die Alternative 𝑗 = 2 gewählt
wird, da hierbei der maximale Mindestnutzen erreicht wird. Bei Anwendung des MaxEmax-
Prinzips wird Alternative 𝑗 = 1 gewählt, da in dem Fall der maximale Höchstnutzenwert
erreicht wird.
Für die Anwendung des Hurwicz-Prinzips wird jetzt ein Optimismusparameter in die Be-
rechnung mit einbezogen. Wir können also folgende Formel verwenden:
𝛽⋅𝐸 + (1 − 𝛽) ⋅ 𝐸
Exemplarisch soll an dieser Stelle von einem Optimismusparameter von 𝛽 = 0,4 ausgegan-
gen werden. Somit ergeben sich Werte für die einzelnen Handlungsalternativen:
𝐸(𝑗 = 1) = 0,4 ⋅ 𝐸 (𝑗 = 1) + (1 − 0,4) ⋅ 𝐸 (𝑗 = 1) = 0,4 ⋅ 530 + 0,6 ⋅ 380 = 𝟒𝟒𝟎
𝐸(𝑗 = 2) = 0,4 ⋅ 𝐸 (𝑗 = 2) + (1 − 0,4) ⋅ 𝐸 (𝑗 = 2) = 0,4 ⋅ 400 + 0,6 ⋅ 400 = 400
𝐸(𝑗 = 3) = 0,4 ⋅ 𝐸 (𝑗 = 3) + (1 − 0,4) ⋅ 𝐸 (𝑗 = 3) = 0,4 ⋅ 370 + 0,6 ⋅ 290 = 322
Somit kann festgestellt werden, dass bei Anwendung des Hurwicz-Prinzips und einem an-
gesetzten Optimismusparameter von 𝛽 = 0,4 die Alternative 𝑗 = 1 gewählt wird.
𝐿𝑅-Fuzzy Sets sind entweder 𝐿𝑅-Fuzzy-Zahlen oder 𝐿𝑅-Fuzzy-Intervalle.
Fuzzy-Zahlen sind als (normalisierte, konvexe) unscharfe Mengen, deren Zugehörigkeits-

funktionen (zumindest stückweise) stetig sind und für die nur ein Element der Grundmenge
einen Zugehörigkeitswert von 1 aufweist (vgl. Spengler 1993, S.13). Wir können Fuzzy-Zah-
len (für den praktischen Umgang) mit geeigneten Referenzfunktionen (vgl. (DF.2) auf S. 102)
in 𝐿𝑅-Form formulieren:
𝑚−𝑥
𝐿 für 𝑥 ≤ 𝑚, 𝛼 > 0
𝛼
𝜇 (𝑥) = 𝑥−𝑚
𝑅 für 𝑥 > 𝑚, 𝛼 > 0
𝛼
Fuzzy-Intervalle sind als (normalisierte, konvexe) unscharfe Mengen, deren Zugehörigkeits-

funktionen (zumindest stückweise) stetig sind und für die ausschließlich Elemente aus einem
Intervall der Grundmenge einen Zugehörigkeitswert von 1 aufweisen (vgl. Spengler 1993,
S.13). Wir können Fuzzy-Intervalle (für den praktischen Umgang) mit geeigneten Referenz-
funktionen (vgl. (DF.2) auf S. 102) in 𝐿𝑅-Form formulieren:
𝑚 −𝑥
⎧𝐿 𝛼
für 𝑥 ≤ 𝑚 , 𝛼 > 0
⎪
𝜇 (𝑥) = 1 für 𝑚 < 𝑥 ≤ 𝑚
⎨ 𝑥−𝑚
⎪𝑅 für 𝑥 > 𝑚 , 𝛼 > 0
⎩ 𝛼
Die Verknüpfung unscharfer Mengen basiert auf einem sog. Erweiterungsprinzip (z.B. auf
dem Extension Principle von Zadeh 1965 und 1975). Dieses Prinzip erfordert bei infiniten
(oder sehr großen) Mengen unendlich viele (oder sehr viele) Verknüpfungsschritte, sodass
die Verknüpfung nicht (oder nur mit sehr hohem Aufwand) gelingen kann. 𝐿𝑅-Fuzzy-Sets
hingegen begrenzen den Verknüpfungsaufwand auf ein beherrschbares Maß. So ergibt sich
bspw. die Summe der Fuzzy-Zahlen 𝐴 = (𝑚, 𝛼, 𝛼) und 𝐵 = (𝑛, 𝛽, 𝛽) zu:
𝐴 ⊕ 𝐵 = (𝑚 + 𝑛, 𝛼 + 𝛽, 𝛼 + 𝛽)
Die Verwendung von unscharfen Größen in Planungsmodellen wäre demzufolge bei infini-
ten (oder sehr großen) Mengen ohne 𝐿𝑅-Fuzzy-Zahlen nicht (oder nur mit sehr hohem Auf-
wand) möglich.
Zur Bedeutsamkeit der linguistischen Variablen möchten wir an dieser Stelle ein wenig wei-
ter ausholen.
Wie bereits deutlich gemacht, gehört ein Element 𝑥 in der klassischen Mengentheorie entwe-
der zu einer Menge 𝑋 oder eben nicht. Das heißt, dass für den Zugehörigkeitswert des Ele-
mentes 𝑥 gilt:
1, wenn 𝑥 ∈ 𝑋
𝜇(𝑥) =
0, wenn 𝑥 ∉ 𝑋
Allerdings lassen sich viele Sachverhalte nicht durch die scharfe Zugehörigkeit von „0“ oder
„1“ abbilden.
Denken wir bspw. an die angesprochenen Beispiele von S. 106. Dort werden als Beispiele die
Personalausstattung, Arbeitskoeffizienten und Fluktuationsraten benannt. Als weitere Bei-
spiele für linguistische Variablen können bspw. die Temperatur oder das Alter dienen.
Lösungen
Diesen linguistischen Variablen werden linguistische Terme zugeordnet, also „Ausprägun-

gen“. Diese könnten im Fall des Alters bspw. „sehr jung“, „jung“, „mittleres Alter“, „alt“ und
„sehr alt“ sein. Jetzt muss sich die Frage gestellt werden, was bedeutet „sehr jung“? Ist „sehr
jung“ jemand, der bspw. 3, 6 oder 10 Jahre alt ist?
Wie bereits erläutert, wird eine linguistische Variable durch ein Quadrupel dargestellt, in der
Form (𝐿𝑉, 𝐿𝑇(𝐿𝑉), 𝑋, 𝑆𝑅).
Dementsprechend stellt das Alter unsere 𝐿𝑉 dar. Die linguistischen Terme 𝐿𝑇(𝐿𝑉) sind
{sehr jung; jung; mittleres Alter; alt; sehr alt}. Die Grundmenge 𝑋 seien in diesem Fall
„Jahre“. Die semantische Regel 𝑆𝑅 weist jedem linguistischen Term eine eigene Zugehörig-
keitsfunktion zu. So können wir scharfe Eingangswerte (bspw. das Alter 25 Jahre) über die
Zugehörigkeitsfunktionen der einzelnen linguistischen Terme der linguistischen Variable
„Alter“ zuordnen.
Wenn man 𝐿𝑅-Fuzzy-Zahlen nicht operationalisieren kann oder will, ist man auf linguisti-
sche Variablen angewiesen.
Singletons sind definiert als eine unscharfe Menge, deren stützende Menge die Mächtigkeit
1 aufweist. Der Vorteil von Singletons besteht in der problemlosen Modellierung von ordi-
nal- oder nominalskalierten Variablen. Durch diese Modellierung sind wir in der Lage, in
unscharfen Planungsmodellen sowohl metrische als auch nicht-metrische Variablen in An-
satz zu bringen.
Der Algorithmus FUzzyLinearProgramming with Aspiration Levels (FULPAL) wird zur Lö-
sung unscharfer linearen Programme (Fuzzy Linear Programs [FLP]) verwendet, da dieser
Modelltyp mit Standardmethoden der linearen Optimierung (wie bspw. dem Simplex-Algo-
rithmus) nicht lösbar ist.
Aufgrund dessen, dass in FLP bspw. die Beschränkungsgrößen als LR-Fuzzy-Zahlen des
Typs 𝐵 = (𝑏 , 0, 𝑏 ) und nicht als scharfe Werte 𝐵 vorliegen, ist für den Entscheider (und
somit letztlich auch für das Optimierungsmodell) nicht eindeutig klar, bis zu welcher Höhe
die beschränkte linke Seite der entsprechenden Restriktion „ausgereizt“ werden kann. Dem
Entscheider ist ausschließlich bekannt, dass diese auf jeden Fall bis 𝑏 , höchstens jedoch bis
𝑏 + 𝑏 ausgeschöpft werden darf. Dabei wird angenommen, dass mit einer Auflockerung
der Beschränkungsgröße, also mit einer rechten Seite echt größer 𝑏 , jedoch ein Nutzenverlust
für den Entscheider einher geht. Betrachten wir dazu ein einfaches Beispiel (zu ≤-Restriktio-
nen):
Ein Logistikunternehmen hat zu entscheiden, mit wie vielen Containern des Typs 1 (𝑥 ) und
mit wie vielen Containern des Typs 2 (𝑥 ) ein Schiff zu beladen ist. Das Gewicht eines Con-
tainers des Typs 1 (Typs 2) beträgt dabei 5 (7,5) Tonnen.
Laut Vorgabe des Herstellers kann das zu beladene Containerschiff in der angegebenen Nut-
zungsdauer von 20 Jahren problemlos 1.000 Tonnen (𝑏 ) Fracht pro Fahrt transportieren.
Dementsprechend lautet die Kapazitätsrestriktion des Containerschiffs:
5 ∙ 𝑥 + 7,5 ∙ 𝑥 ≤ 1.000
Das nach Herstellerangaben maximal mögliche Frachtgewicht beträgt hingegen 1.200 Ton-
nen. Demzufolge lautet die Restriktion für die absolute Maximalkapazität:
5 ∙ 𝑥 + 7,5 ∙ 𝑥 ≤ 1.200
Jedoch gehen Ladungen mit einem Gewicht von über 1.000 Tonnen mit einem erhöhten Ver-
schleiß des Containerschiffes und somit bspw. mit höheren Reparatur- bzw. Wartungskosten
oder einer kürzeren Nutzungsdauer einher. Die Beladung des Containerschiffes mit mehr als
1.000 Tonnen Gewicht führt also zu Nutzeneinbußen des Entscheiders.
Allerdings führt die höhere Frachtlast auch zu einem höheren Zielfunktionswert. Gehen wir
unserem Beispiel davon aus, dass das Logistikunternehmen pro verschifftem Container des
Typs 1 (Typs 2) einen Umsatz i. H. v. 1.000 GE (1.500 GE) erzielt, lautet die entsprechende
Zielfunktion:
1.000 ∙ 𝑥 + 1.500 ∙ 𝑥 → max!
Bei einer Frachtlast von 1.200 Tonnen können insgesamt mehr Container verschifft werden
und dementsprechend kann ein höherer Gesamtumsatz erzielt werden. Es entsteht also ein
Trade-off hinsichtlich der Zielsetzungen bzgl. erhöhtem Verschleiß und Umsatz für das Lo-
gistikunternehmen. Aufgrund dessen, dass das Unternehmen sinnvollerweise den Ver-
schleiß des Containerschiffs minimieren möchte, entsteht neben der Umsatzmaximierung ein
weiteres Extremierungsziel.
Bei FULPAL werden aus diesem Grund für die Einhaltung der Nebenbedingungen un-
scharfe Nutzenmengen konstruiert. Diese werden so gestaltet, dass der Nutzen des Entschei-
ders mit einer zunehmenden Beschränkungsgröße abnimmt. Für unser Beispiel bedeutet das,
dass der Nutzen der Einhaltung der Kapazitätsrestriktion mit zunehmendem Frachtgewicht
und damit verbundenem zunehmendem Verschleiß sinkt. Bezeichnen wir den unscharfen
Nutzen der Einhaltung der Kapazitätsrestriktion mit 𝜇 (5 ∙ 𝑥 + 7,5 ∙ 𝑥 ), ergibt sich für das
Logistikunternehmen folgender Zielfunktionsvektor:
1.000 ∙ 𝑥 + 1.500 ∙ 𝑥
𝜇 (5 ∙ 𝑥 + 7,5 ∙ 𝑥 ) → max!
Zur Lösung des entstehenden Mehrzielprogramms ist dann ebenfalls (wie in Kap. 10.2.2 be-
schrieben) eine unscharfe Nutzenmenge für die Zielfunktionsausprägungen zu konstruieren
und aufgrund des oben erläuterten Zielkonflikts zwischen Verschleiß und Umsatz mittels
Kompromissprogramm ein optimaler Kompromiss für die Erreichung der einzelnen Ziele zu
suchen.
Lösungen
𝜋 ≤ 𝜇 (𝑥)
𝑧 − (𝑧 − ∆ )
Mit 𝜇 (𝑥) = ergibt sich:
∆
𝑧 − (𝑧 − ∆ )
𝜋≤
∆
Mit 𝑧 = 𝑐 ⋅ 𝑥 ergibt sich:

∈ ̅
𝑐 ⋅ 𝑥 − (𝑧 − ∆ )
𝜋≤ ∈
Multipliziert man beide Seiten mit ∆ ergibt sich:
∆ ∙𝜋 ≤ 𝑐 ⋅ 𝑥 − (𝑧 − ∆ )
∈ ̅
Subtrahiert man nun auf beiden Seiten 𝑐 ⋅ 𝑥 ergibt sich:

∈ ̅
∆ ∙𝜋− 𝑐 ⋅ 𝑥 ≤ −(𝑧 − ∆ )
∈ ̅
Analoges Vorgehen führt uns von (R.26) zu (R.28):
𝜋≤𝜇 𝑎 ⋅𝑥 ∀𝑖 ∈ 𝐼 ̅
∈ ̅
𝑎 ⋅𝑥 −𝑏
∈
Mit 𝜇 𝑎 ⋅𝑥 =1− ergibt sich:
∆
∈ ̅
𝑎 ⋅𝑥 −𝑏
𝜋 ≤1− ∈
∀ 𝑖 ∈ 𝐼̅
∆
Multipliziert man beide Seiten mit ∆ ergibt sich:
𝜋⋅∆ ≤∆ − 𝑎 ⋅𝑥 −𝑏 ∀𝑖 ∈ 𝐼 ̅
∈ ̅
Addiert man nun auf beiden Seiten 𝑎 ⋅ 𝑥 ergibt sich:

∈ ̅
𝜋⋅∆ + 𝑎 ⋅ 𝑥 ≤ ∆ − (−𝑏 ) ∀𝑖 ∈ 𝐼 ̅
∈ ̅
bzw.:
𝜋⋅∆ + 𝑎 ⋅𝑥 ≤∆ +𝑏 ∀𝑖 ∈ 𝐼 ̅
∈ ̅
Kybernetik leitet sich aus dem griechischen Wort „kybernētikós“ (zum Steuern gehörig, ge-
eignet) ab und bezeichnet die „Wissenschaft von den allgemeinen Gesetzmäßigkeiten dyna-
mischer, sich selbst regulierender und organisierender Systeme in Natur, Technik und Ge-
sellschaft“ (vgl. DWDS (b), Stichwort: Kybernetik). Die Wissenschaftsdisziplin der Kyberne-
tik befasst sich also mit dynamischen (veränderlichen) Systemen sowie mit den Abläufen
und typischen Verhaltensmustern innerhalb dieser Systeme vor dem Hintergrund von Steu-
erungs- und Regelungsaspekten (vgl. Kube 1974, S. 163).
Ein kybernetisches System ist ein sich selbst regelndes, welches in der Lage ist, auf externe
(zufällige) Einflüsse durch interne, systemeigene Prozesse zu reagieren. Dies kann zum einen
bedeuten, den Status quo des Systems wiederherzustellen. Zum anderen sind kybernetische
Systeme aber auch dazu fähig, sich durch Lernen weiterzuentwickeln. Die Verarbeitung ex-
terner Einflüsse geschieht dabei über Regelungs- und Steuerungsvorgänge (vgl. Kube 1974,
S. 163-164). Demnach ist ein kybernetisches System ein Steuerungssystem mit Systeminputs,
-regelungen/-regeln und -outputs.
Das Kernkonstrukt eines Fuzzy-Control-Systems ist die sog. Regelbasis. Sie ist Bestandteil
der Fuzzy-Inferenz, also der Schlussfolgerungsprozedur (3. Phase), und dient der Verknüp-
fung fuzzyfizierter Inputvariablen gemäß eines vordefinierten Inferenz- (also Schluss-) sche-
mas, mit dem Ziel, eine Menge unscharfer Outputvariablen zu erzeugen (vgl. Schroll 2007,
S.138). Das standardmäßig verwendete Inferenzschema in einem Fuzzy-Control-System ba-
siert auf dem modus (ponendo) ponens (kurz: modus ponens), einer weitverbreiteten
Schlussfigur der Deduktion (für vertiefende Ausführungen zum deduktiven Schließen vgl.
z.B. Zoglauer 2008, S. 58 ff.). In seiner Grundform besteht der modus ponens aus zwei Prä-
missen und einer Konklusion. Die erste Prämisse ist eine Implikation in Form einer Wenn-
Dann-Aussage, z.B. „Wenn es regnet, dann wird die Straße nass.“. Die Wenn-Komponente
wird in diesem Zusammenhang als Bedingung für die Dann-Komponente verstanden und
kann durchaus auch aus mehreren, mittels der Und-Verknüpfung verbundenen Teilaussa-
gen bestehen (z.B. „Wenn es regnet und keine Überdachung vorhanden ist und …, dann wird
Ein Modellzu
die Straße nass.“). Die zweite Prämisse bezieht sich auf die Wenn-Komponente der Implika-
tion und besagt, dass, falls die in dieser Komponente formulierte(n) Bedingung(en) erfüllt ist
bzw. sind, auf die in der Dann-Komponente formulierte Folgerung geschlossen werden
kann. Folgende Darstellung veranschaulicht unseren beispielhaften Schluss [Wir bleiben der
Einfachheit halber bei einer singulären Wenn-Komponente.]:
1. Prämisse: Wenn es regnet, dann wird die Straße nass.
2. Prämisse: Es regnet.____________________________
Konklusion: Die Straße wird nass.
Der modus ponens in seiner Grundform ist auf das scharfe Schließen beschränkt. Aufgrund
dessen, dass im Fuzzy Control ein Schlussmechanismus zur Verarbeitung von unscharfen
Aussagen benötigt wird, verwendet man dafür den sog. generalisierten modus ponens. Bei
diesem besteht die zweite Prämisse aus einer unscharfen Aussage bezüglich der Wenn-Kom-
ponente (sie wird auch als Fuzzy-Prämisse bezeichnet), woraus eine unscharfe Konklusion
abgeleitet werden kann (vgl. dazu z.B. Jaanineh/Maijohann 1996, S.187 ff.). Bezogen auf das
obige Beispiel könnte der (unscharfe) Schluss dann bspw. wie folgt aussehen:
Prämisse 1: Wenn es regnet, dann wird die Straße nass.
Prämisse 2: Es regnet stark.______________________ _
Konklusion: Die Straße wird sehr nass.
Um zu beurteilen, zu welchem Grade die Bedingung(en) aus der Wenn-Komponente erfüllt

ist bzw. sind, wird der sog. Degree of Fullfilment (DOF) rechnerisch ermittelt. Wenn alle
Teile der Wenn-Komponente zu einem gewissen Grad erfüllt sind (der DOF also positiv ist),
werden die korrespondierenden Regeln als aktive oder auch feuernde Regeln bezeichnet.
Lediglich die aktiven Regeln werden zur Erzeugung des Outputs herangezogen (für vertie-
fende Ausführungen zur DOF-Bestimmung vgl. Schroll 2007, S. 140 ff.).
Linguistische Variable werden mit Hilfe von linguistischen Termen klassifiziert. Bezugneh-
mend auf das Beispiel des Alters als linguistischer Variable (vgl. Lösung zu Aufgabe 48) ha-
ben wir verschiedene linguistische Terme eingeführt (sehr jung, jung, mittleres Alter, alt so-
wie sehr alt). Für jeden linguistischen Term kann eine Zugehörigkeitsfunktion konstruiert
werden.
Das heißt, dass jedem Alter in Form von Jahren (oder anderer Periodisierung) ein Zugehö-
rigkeitswert zu einem linguistischen Term zugewiesen werden kann. So kommt man zu dem
Ergebnis, dass bspw. das Alter 5 Jahre zu einem gewissen Grad zum linguistischen Term
„sehr jung“ und zu einem gewissen Grad zu „jung“ gehört.
Im Zuge der scharfen Mengentheorie existieren für die Zugehörigkeitswerte nur die Ausprä-
gungen „0“ oder „1“, das heißt, dass ein Element entweder zu einer Menge gehört, oder eben
nicht. Aufbauend auf diesen Überlegungen kommt man zu dem Ergebnis, dass die scharfe
Mengentheorie nichts anderes als ein Grenzfall der unscharfen Mengentheorie ist. Deshalb
kann der Aussage zugestimmt werden, dass linguistische Variable immer fuzzy Größen sein
müssen.
Im Zuge der Szenario-Technik wird im Schrifttum häufig gefordert, Szenarien mit einer mög-
lichst hohen Eintrittswahrscheinlichkeit auszuwählen. Problematisch ist hierbei allerdings,
dass aufgrund der dem Wahrscheinlichkeitsmaß zugrundeliegenden Kolmogoroffschen Axi-
ome Additivität der Eintrittswahrscheinlichkeiten vorliegen muss. Betrachten wir einerseits
bspw. einen Fall mit sechs Szenarien und den Eintrittswahrscheinlichkeiten 0.1, 0.2, 0.05, 0.25,
0.3 und 0.1, ist die Auswahl von möglichst wahrscheinlichen Szenarien durchaus schwierig.
Es stellt sich nämlich bspw. die Frage, ob selbst die höchste Eintrittswahrscheinlichkeit von
0.3 überhaupt hoch ist. Andererseits würde eine Wahrscheinlichkeitsverteilung, die einem
Szenario bspw. eine Eintrittswahrscheinlichkeit i. H. v. 0.7 zuordnet, vermutlich zur exklusi-
ven Auswahl genau dieses Szenarios führen (vgl. Spengler 2012, S. 81). Zudem ist in vielen
Fällen die vorgelagerte Bestimmung von Eintrittswahrscheinlichkeiten selbst aufgrund der
nahezu unmöglichen Ermittlung von geeigneten Sigma-Algebren zumindest relativ heraus-
fordernd (vgl. Lösung zu Aufgabe 38).
Um diesem Problem zu entgehen, ist es daher ratsam, possibilistische an Stelle von probabi-
listischen Cross-Impact-Analysen zu verwenden. Zum einen bieten diese den Vorteil, dass
nicht-additive Maße wie Possibilitäten oder Nezessitäten weniger strikten Anforderungen
(und bspw. nicht den Kolmogoroffschen Axiomen) genügen müssen (vgl. Lösung zu Auf-
gabe 42). Zum anderen ist der menschliche Verstand eher in der Lage, Möglichkeitsaussagen
anstatt konkrete Wahrscheinlichkeitsurteile bezüglich bestimmter Ereignisse zu treffen (vgl.
Spengler 2012, S. 81).
Eine (vollständige) Personalbedarfs- (Fall 1) bzw. Personalausstattungsermittlung (Fall 2)

führt zur Kenntnis des Entscheiders über die Ausprägungen des Personalbedarfs bzw. der
Personalausstattung in quantitativer, qualitativer, lokaler und temporaler Hinsicht. In der
Folge liegt der jeweilige Problembereich als gegebene Größe, also als Datum, vor und wir
bewegen uns dementsprechend auf dem Gebiet der reinen Personalbereitstellungs-
(𝑃𝐵, 𝑃𝐴, 𝑃𝐸, s. a. Kap. 12.3) bzw. der reinen Personalverwendungsplanung (𝑃𝐵, 𝑃𝐴, 𝑃𝐸, s. a.
Kap. 12.4). Modelle der reinen Personalbereitstellungs- bzw. der reinen Personalverwen-
dungsplanung dienen, je nachdem, ob sie (a) implizit oder (b) explizit formuliert werden, zur
Überprüfung der Bedarfsangemessenheit von Variablen der Personalausstattung (und des -
einsatzes) bzw. zur Überprüfung der Ausstattungsangemessenheit von Variablen des Perso-
nalbedarfs (und des -einsatzes).
Lösungen
Fall 1: Ermittlung des Personalbedarfs als Grundlage der Personalausstattungs- (und Perso-
naleinsatz-) Überprüfung
Zu (a): Gemäß dem impliziten Ansatz der Personalplanung werden in diesem Fall die gege-
benen Teilpersonalbedarfe und deren Kombinationen mit den relevanten Teilpersonalaus-
stattungen abgestimmt. Das Ergebnis dieser Abstimmung kann dann lauten, dass die be-
triebliche Personalausstattung niveaumäßig und/oder strukturell bedarfsangemessen gestal-
tet ist oder eben nicht. Werden zusätzlich Korrekturvariablen der Personalausstattung (wie
bspw. Einstellungen bzw. Entlassungen) berücksichtigt, geben deren optimale Ausprägun-
gen ggf. Aufschluss darüber, welche Änderungen an der Personalausstattung vorzunehmen
sind, damit diese niveaumäßig und strukturell bedarfsangemessen ist.
Zu (b): Gemäß dem expliziten Ansatz der Personalplanung sind die gegebenen Teilpersonal-
bedarfe mit den Personaleinsätzen und diese dann mit den jeweiligen Teilpersonalausstat-
tungen abzustimmen. Die vorgelagerte Personalbedarfsermittlung dient damit nicht nur der
Überprüfung von niveaumäßiger und struktureller Bedarfsangemessenheiten der Personal-
ausstattung mit dem Ziel eventueller Änderungen, sondern zusätzlich als Ermittlungsgrund-
lage für einen (optimalen) Personaleinsatzplan.
Fall 2: Ermittlung der Personalausstattung als Grundlage der Personalbedarfs- (und Perso-
naleinsatz-) Überprüfung
Zu (a): Im Fall der impliziten Abstimmung mit der gegebenen Personalausstattung wird der
variable betriebliche Personalbedarf (über die Festlegung der Ausprägungen seiner Primär-
determinanten) so bestimmt, dass dieser ausstattungsangemessen ist und somit in struktu-
reller sowie quantitativer Hinsicht durch das vorhandene Personal gedeckt werden kann.
Die zuvor ermittelte Personalausstattung beschränkt dementsprechend die Art und den Um-
fang des Personalbedarfs (und folglich vor allem das betriebliche Leistungsprogramm) nach
oben.
Zu (b): Erfolgt in Modellen der reinen Personalverwendungsplanung eine explizite Berück-

sichtigung von Personaleinsatzvariablen, fungiert die gegebene Personalausstattung ebenso
als Grundlage für einen (optimalen) Einsatzplan zur Deckung der ausstattungsangemesse-
nen Personalbedarfe.
Fall 3: Ermittlung des Personaleinsatzes als Grundlage der Personalbedarfs- und Personal-
ausstattungsüberprüfung
Die Personaleinsatzermittlung dient der Feststellung der Art und Anzahl von im Leistungs-
prozess eingesetzten, sich in Schulung oder in Leihe befindlichen Arbeitskräften (zu einer
bestimmten Zeit an einem bestimmten Ort). Diese Feststellung fungiert sinnvollerweise nicht
als Grundlage für Personalausstattungs- und/oder Personalbedarfsentscheidungen in dersel-
ben Periode (vgl. Aufgabe 12). Vielmehr geht es hierbei um die ex post-Ermittlung der tat-
sächlichen Personaleinsätze einer Vorperiode. Es gilt dabei also zu prüfen, wie viele Arbeits-
kräfte, welcher Art, in welcher Form eingesetzt wurden. Diese Ermittlung kann zum einen
eine Überblicksfunktion für ein Unternehmen haben und zum anderen dazu dienen, im
Nachhinein zu überprüfen, ob die entsprechenden Einsätze zur adäquaten Deckung der Per-
sonalbedarfe geführt haben (oder es bspw. zu Personalbedarfsunterdeckungen kam) sowie
ob die Personalausstattung (gemessen in Arbeitszeit) ausreichend für die getätigten Einsätze
war (oder es bspw. zu Verletzungen der Arbeitszeitverordnung kam).
Personalbedarfe werden (aus methodischen Gründen) stets für diskrete Zeitpunkte 𝑡 ∈ 𝑇,

wie eine bestimmte Stunde oder einen gewissen Tag, ermittelt. Inhaltlich können wir diese
jedoch als Zeiträume über den Ablauf von mehreren Zeitpunkten interpretieren. Das liegt
darin begründet, dass ein einzelner Zeitpunkt streng genommen eine Dauer von annähernd
0 Zeiteinheiten hat. Somit wäre es auch nicht möglich, in einem Zeitpunkt die den entspre-
chenden Personalbedarf begründende Tätigkeit auszuführen. Dementsprechend fassen wir
mehrere zu einem Zeitpunkt 𝑡 zusammen (wie bspw. alle Zeitpunkte einer Stunde) und legen
die Annahme zugrunde, dass alle Personalbedarfe über diesen Zeitraum identisch und daher
nicht separat zu berücksichtigen sind.
In der Produktionstheorie sind der Durchschnittsertrag (oder die sog. Produktivität) und der
Produktionskoeffizient wie folgt definiert:
Output Einheiten des produzierten Gutes

Produktivität ≔ =
Input Einheiten des eingesetzten Produktionsfaktors
Input Einheiten des eingesetzten Produktionsfaktors

Produktionskoeffizient ≔ =
Output Einheiten des produzierten Gutes
Die Produktivität gibt Aufschluss darüber, wie viele Einheiten des Gutes je eingesetzter Ein-
heit des betrachteten Produktionsfaktors produziert werden. Der Produktionskoeffizient
gibt an, wie viele Einheiten des verwendeten Faktors zur Herstellung einer Einheit des be-
trachteten Produkts benötigt werden.
Im Quotienten [𝐴𝐸/𝐴𝑍] werden Arbeitseinheiten und Arbeitszeit ins Verhältnis gesetzt. Ar-
beitseinheiten sind dabei Einheiten von bspw. zu produzierenden Stücken oder abzuschlie-
ßenden Verträgen, ergo sind diese Output eines Produktionsvorgangs. In der Systematik der
Produktionsfaktoren zählt Arbeitszeit zu den Elementarfaktoren. Die in diesem Zuge aufzu-
wendende Arbeitszeit ist also ein Produktionsfaktor und somit ein benötigter Input für Pro-
duktionsvorgänge. Dementsprechend ist [𝐴𝐸/𝐴𝑍] eine spezielle Produktivität in Bezug auf
den konkreten Produktionsfaktor menschliche Arbeit und wird als sog. Arbeitsproduktivität
bezeichnet. Sie gibt an, wie viele (Arbeits-) Einheiten des Gutes je eingesetzter Arbeitszeit-
einheit (bspw. Arbeitsminuten oder -stunden) produziert werden.
Analog wird der reziproke Wert [𝐴𝑍/𝐴𝐸] im Sinne eines speziellen Produktionskoeffizienten
als Arbeitskoeffizient bezeichnet. Dieser misst, wie viele Arbeitszeiteinheiten zur Herstel-
lung einer (Arbeits-) Einheit des betrachteten Produkts benötigt werden.
Ein Modellzu
a.
Die gegebenen Größen in der Reifenproduktion des Zulieferers sind die folgenden:
Arbeitszeit pro Mitarbeiter und Woche (in Stunden):
𝑆𝑡𝑢𝑛𝑑𝑒𝑛[𝐴𝑍]
40
𝑀𝐴[𝐴𝐾] ∙ 𝑊𝑜𝑐ℎ𝑒[𝑃]
Das Leistungsprogramm des Zulieferers (in Reifen pro Woche):
𝑅𝑒𝑖𝑓𝑒𝑛[𝐴𝐸]
480
𝑊𝑜𝑐ℎ𝑒[𝑃]
Die durchschnittliche Arbeitsproduktivität einer Arbeitskraft (in Reifen pro Stunde):
𝑅𝑒𝑖𝑓𝑒𝑛[𝐴𝐸]
1
𝑆𝑡𝑢𝑛𝑑𝑒[𝐴𝑍]
Die Berechnung des Personalbedarfs kann in diesem Fall über die Grundgleichung zur Er-
mittlung des Personalbedarfs in der folgenden Form vorgenommen werden:
480
𝑃𝐵[𝐴𝐾] = = =
∙ 1 ∙ 40
∙ ∙
480 𝑅𝑒𝑖𝑓𝑒𝑛 1 𝑀𝐴 ∙ 𝑊𝑜𝑐ℎ𝑒

= 480 ∙ = 12[𝑀𝐴]
40 𝑊𝑜𝑐ℎ𝑒 40 𝑅𝑒𝑖𝑓𝑒𝑛
∙
b.
Die Primärdeterminanten des Personalbedarfs (𝑃𝐵) sind die Arbeitszeit (𝐴𝑍), das Leistungs-
programm (𝐿𝑃) und die Arbeitsproduktivität (𝐴𝑃). Dementsprechend ändert sich der be-
triebliche Personalbedarf, sobald eine dieser drei Bestimmungsgrößen bei Konstanz der an-
deren verändert wird, bzw. kann sich dieser ändern, falls sich mehrere Determinanten simul-
tan verändern.
In der beschriebenen Situation des Zulieferers soll eine Veränderung der Primärdetermi-
nante „Arbeitszeit“ diskutiert werden. Im Speziellen ist eine Senkung der Arbeitszeit jedes
Mitarbeiters von acht auf sieben Stunden pro Tag bzw. von 40 auf 35 Stunden pro Woche zu
untersuchen. Aufgrund der Tatsache, dass die zu liefernde Menge an Reifen vertraglich fest-
gesetzt ist, darf sich das wöchentlich Leistungsprogramm von 480 Reifen nicht ändern und
ist somit als gegeben anzusehen. Die Änderung der Arbeitszeit kann dementsprechend nur
Auswirkungen auf die durchschnittliche Arbeitsproduktivität der Mitarbeiter haben. Folg-
lich gibt es drei mögliche Szenarien, deren Wirkungen auf den Personalbedarf es zu unter-
suchen gilt:
(a) Die Reduktion der Arbeitszeit führt bei konstantem Leistungsprogramm nicht zur
Veränderung der Arbeitsproduktivität (𝐴𝑍 ↓, 𝐴𝑃, 𝐿𝑃).
(b) Die Reduktion der Arbeitszeit führt bei konstantem Leistungsprogramm zur Reduk-
tion der Arbeitsproduktivität (𝐴𝑍 ↓, 𝐴𝑃 ↓, 𝐿𝑃).
(c) Die Reduktion der Arbeitszeit führt bei konstantem Leistungsprogramm zur Erhö-
hung der Arbeitsproduktivität (𝐴𝑍 ↓, 𝐴𝑃 ↑, 𝐿𝑃).
Gehen wir zunächst von Fall (a) aus. Die Wirkung dieses Szenarios auf den Personalbedarf
kann wie folgt ermittelt werden:
𝐿𝑃
= 𝑃𝐵 ↑ [𝐴𝐾]
𝐴𝑃 ∙ 𝐴𝑍 ↓
∙
Bei konstantem Leistungsprogramm bleibt der Term über dem Bruchstrich gleich. Bei kon-
stanter Arbeitsproduktivität und sinkender Arbeitszeit wird der Term unterhalb des Bruch-
strichs kleiner. Ist der Term oberhalb des Bruchstrichs konstant und der unterhalb sinkt, wird
der Bruch insgesamt größer. Dementsprechend stiege der Personalbedarf in diesem Fall:
480
= 13,714 [𝑀𝐴]
1 ∙ 35
∙
Im Fall (b) ermittelt sich die Wirkung folgendermaßen:
𝐿𝑃
= 𝑃𝐵 ↑ [𝐴𝐾]
𝐴𝑃 ↓ ∙ 𝐴𝑍 ↓
∙
Analog zu Fall (a) steigt der Personalbedarf. In diesem Szenario ist der Effekt sogar noch
deutlicher, da beide Teilterme unterhalb des Bruchstrichs fallen (bspw. mit 0,75 ):
480
= 18,286 [𝑀𝐴]
0,75 ∙ 35
∙
Im dritten Szenario (c) kann ohne weitere Informationen hingegen keine verlässliche Aus-
sage über die Wirkung auf den Personalbedarf getroffen werden. Denn die Veränderungen
unter dem Bruchstrich sind gegensätzlich und es kommt somit auf die konkreten Verände-
rungen der Arbeitsproduktivität und -zeit an, um eine Aussage bezüglich der Gesamtände-
rung des Terms unterhalb des Bruchstrichs treffen zu können:
Ein Modellzuzur
Übungsaufgaben aus Teil 2 und Personalplanung in Zeiten der Digitalisierung 363
𝐿𝑃
= 𝑃𝐵 ? [𝐴𝐾]
𝐴𝑃 ↑ ∙ 𝐴𝑍 ↓
∙
Die folgenden Beispiele zeigen, dass der Personalbedarf in diesem Szenario sowohl konstant
bleiben als auch steigen oder fallen kann:
480
≈ 12 [𝑀𝐴]
1,143 ∙ 35
∙
480
= 13,061 [𝑀𝐴]
1,05 ∙ 35
∙
480
= 9,143[𝑀𝐴]
1,5 ∙ 35
∙
Abbildung 18.16 veranschaulicht die oben beschriebenen Zusammenhänge der Verände-

rung der Arbeitszeit bei konstanter/veränderlicher Arbeitsproduktivität und konstantem
Leistungsprogramm grafisch.
Abbildung 18.16 Personalbedarfsänderungen durch Arbeitszeitreduktion bei (teilweise)

variabler Arbeitsproduktivität und konstantem Leistungsprogramm
Primärdeterminanten des Personalbedarfs
Arbeitszeit Arbeitsproduktivität Leistungsprogramm
1) 𝐴𝑍 ↓  𝑃𝐵 ↑ 𝐴𝑃 𝐿𝑃
2) 𝐴𝑍 ↓  𝑃𝐵 ↑ 𝐴𝑃 ↓ 𝐿𝑃
3) 𝐴𝑍 ↓  𝑃𝐵 ? 𝐴𝑃 ↑ 𝐿𝑃
c.
In dieser Situation befindet sich der Zulieferer offensichtlich in dem unter b. beschriebenen
Fall (c). Und zwar im Speziellen genau in der Situation, in welcher die Reduktion der Ar-
beitszeit von 40 auf 35 Stunden in der Woche dazu führt, dass die durchschnittliche Arbeits-
produktivität genauso ansteigt, als dass der Personalbedarf unverändert bleibt:
480
𝑃𝐵[𝐴𝐾] = 12[𝑀𝐴] = =
∙ 𝑥 ∙ 35
× ∙
𝑅𝑒𝑖𝑓𝑒𝑛 480 𝑅𝑒𝑖𝑓𝑒𝑛

𝑥 = =8 7
𝑆𝑡𝑢𝑛𝑑𝑒 12[𝑀𝐴] ∙ 35 𝑆𝑡𝑢𝑛𝑑𝑒
∙
Bezeichnen wir die gesuchte Arbeitsproduktivität mit 𝑥 und stellen die Ermittlungsglei-
chung entsprechend nach dieser Größe um, ergibt sich für 𝑥 8 7 = 1,143 (vgl. b. Fall
(c) erstes Beispiel).
a.
Symbole:
𝑃𝐵 ≔ Personalbedarf [𝐴𝐾]
𝑥 ≔ Anzahl der in Periode 𝑡 anfallenden Arbeitsvorgänge der Art 𝑛
𝑧 ≔ Zeitbedarf für einen Arbeitsvorgang der Art 𝑛
𝑇 ≔ Arbeitszeit pro Arbeitskraft und Periode

∙
𝑇∗ ≔ erforderliche Arbeitszeit für Verschiedenes
𝑁𝑉𝑍 ≔ notwendiger Verteilzeitfaktor (dimensionslos)
𝑇𝑉𝑍 ≔ tatsächlicher Verteilzeitfaktor (dimensionslos)
Rosenkranz-Formel:
(𝑥 ∙𝑧 ) 𝑇 ∗ 𝑁𝑉𝑍
∙ 𝑁𝑉𝑍 + ∙
𝑃𝐵 = ∈ 𝑇 𝑇𝑉𝑍
𝑇
Ein Modellzuzur
Übungsaufgaben aus Teil 2 und Personalplanung in Zeiten der Digitalisierung 365
Für die Abteilung für Qualitätskontrollen gilt:
(1 + Nebenarbeitszuschlag)(1 + Erholungszuschlag) (1,175) ∙ (1,105)

𝑁𝑉𝑍 = = = 1,396
1 − Fehlzeitenrate 1 − 0,07
tatsächlich aufgewendete Zeit für aufgenommene Arbeiten

𝑇𝑉𝑍 =
erforderliche Zeit für Arbeitszeitstunden
168 ∙ 60 + 45
= ä
400 ∙ 2 + 250 ∙ 5 + 100 ∙ 15 + 275 ∙ 8 + 50 ∙ 20 ( ∙ )
10.125
= = 1,5
6.750
6.750 31 ∙ 60 + 15 1,396
𝑃𝐵 = ∙ 1,396 + ∙ =
40 ∙ 60 40 ∙ 60 1,5
∙ ∙
= 3,926 [AK] + 0,727 [AK] = 4,653 [AK]
Die Abteilung für Qualitätskontrollen benötigt laut Rosenkranzformel 4,563 Arbeitskräfte.
b.
Die Grundgleichung zur Ermittlung des Personalbedarfs nach Kossbiel lässt sich wie folgt
formalisieren:
Symbole:
𝑃𝐵 ≔ Personalbedarf
𝐴𝑍 ≔ Arbeitszeit
𝐴𝐾 ≔ Arbeitskraft
𝑃 ≔ Periode
𝐴𝐸 ≔ Arbeitseinheit(en)
Grundgleichung:
𝐴𝑍 𝐴𝐸 𝐴𝑍 ∙
𝑃𝐵[𝐴𝐾] ∙ = ∙ ⟺ 𝑃𝐵[𝐴𝐾] =
𝐴𝐾 ∙ 𝑃 𝑃 𝐴𝐸
∙
Die Grundgleichung lässt sich leicht in die auf der rechten Seite des Doppelpfeils notierte
Form überführen. Ist zu zeigen, wie sich die Rosenkranz-Formel auf diese zurückführen
lässt, ist zunächst zu beachten, dass die Grundgleichung aus reinen Dimensionsgrößen be-
steht, während in der Rosenkranz-Formel bspw. Geschäftsvorfälle und Zeiten angegeben
sind. Wir müssen also in einem ersten Schritt die Dimensionen der Elemente der Rosenkranz-
formel bestimmen:
■ Geschäftsvorfälle pro Periode 𝑥 :

■ Zeit zur Erledigung eines Geschäftsvorfalls 𝑧 :
■ Arbeitszeit pro Arbeitskraft und Periode 𝑇: ∙
■ Zeit für Verschiedenes 𝑇 : ∗

∙
Die beiden Verteilzeitfaktoren 𝑁𝑉𝑍 und 𝑇𝑉𝑍 sind dimensionslos und ändern die Dimension
einer Größe, mit welcher sie multipliziert werden, dementsprechend nicht. Sie müssen daher
nicht weiter beachtet werden.
Multiplizieren wir zwei Größen miteinander, so ergibt sich die Dimension der entstehen-
den Größe aus dem Produkt der Dimensionen der multiplizierten Größen. Somit ergibt sich
− für 𝑥 ∙ 𝑧 die Dimension ∙ ,
(𝑥 ∙𝑧 ) ∙
− für ∈
∙ 𝑁𝑉𝑍 die Dimension und
𝑇 ∙
𝑇 ∗ 𝑁𝑉𝑍 ∙
− für ∙ die Dimension .
𝑇 𝑇𝑉𝑍
∙
Für die Dimension der Rosenkranz-Formel gilt dann:
(𝑥 ∙𝑧 ) 𝑇 ∗ 𝑁𝑉𝑍 ∙
∙ 𝑁𝑉𝑍 + ∙ = =
∈ 𝑇 𝑇𝑉𝑍
𝑇 ∙
Damit ist die Rosenkranz-Formel auf die Grundgleichung zurückgeführt.
a.
Im folgenden Personalbewegungstableau (vgl. Tabelle 18.14) sind alle möglichen Beförde-

rungen (B), Versetzungen (V) und Schulungen (S) von Arbeitskräften abgetragen:
Ein Modellzu
Tabelle 18.14 Personalbewegungstableau
𝑡 𝑝 1 2 3 4
𝑡−1 𝑠 1 2 3 4 1 2 1 /
𝑝 𝑠 𝑟 1 2 4 2 4 6 3 6 4 5 5 6 6 7 6 7 8
1 ×
1 2 × S V
4 × V V
2 V × S
2 4 V × S V
1
6 × V B B B
3 × S
3
6 V × B B B
4 V V × S
4
5 × B
5 × S
1
6 × V B
2
6 V × S B
2
7 × B
6 × S
3 1
7 ×
4 / 8 ×
b.
𝑠 = 1, 𝑝 = 1
, , ,
𝑃𝐴 , = 𝑃𝐴 , +ℎ , − 𝑓 ,, ∀𝑡 ∈𝑇
, , , , , , , ,
𝑃𝐴 , = 𝑃𝐴 , − 𝑃𝐸(𝑆) , ,
∗ +𝑣 , −𝑣 , +ℎ , − 𝑓 ,, ∀𝑡 ∈𝑇
, , , , , , , , , , , ,
𝑃𝐴 , = 𝑃𝐴 , + 𝑃𝐸(𝑆) , ,
∗ +𝑣 , +𝑣 , −𝑣 , −𝑣 , +ℎ , − 𝑓 ,, ∀𝑡 ∈𝑇
𝑠 = 1, 𝑝 = 2
, , , , , , ,
𝑃𝐴 , = 𝑃𝐴 , − 𝑃𝐸(𝑆) , ,
∗ +𝑏 , +ℎ , − 𝑓 ,, ∀𝑡 ∈𝑇
, , , , , , , , , , , , , , , ,
𝑃𝐴 , = 𝑃𝐴 , + 𝑃𝐸(𝑆) , ,
∗ +𝑣 , −𝑣 , +𝑏 , +𝑏 , −𝑏 ,
,
+ℎ , − 𝑓 ,, ∀𝑡∈𝑇
𝑠 = 1, 𝑝 = 3
, , , , , , , , , , , , , , ,
𝑃𝐴 , = 𝑃𝐴 , − 𝑃𝐸(𝑆) , ,
∗ +𝑏 , +𝑏 , +𝑏 , +𝑏 ,
,
+ℎ , − 𝑓 ,, ∀𝑡∈𝑇
, , , , , , ,
𝑃𝐴 , = 𝑃𝐴 , + 𝑃𝐸(𝑆) , ,
∗ +𝑏 , +ℎ , − 𝑓 ,, ∀𝑡 ∈𝑇
𝑠 = 2, 𝑝 = 1
, , , , , , , ,
𝑃𝐴 , = 𝑃𝐴 , − 𝑃𝐸(𝑆) , ,
∗ +𝑣 , −𝑣 , +ℎ , − 𝑓 ,, ∀𝑡 ∈𝑇
, , , , , , , , , , , ,
𝑃𝐴 , = 𝑃𝐴 , − 𝑃𝐸(𝑆) , ,
∗ + 𝑃𝐸(𝑆) , ,
∗ +𝑣 , +𝑣 , −𝑣 , −𝑣 ,
,
+ℎ , − 𝑓 ,, ∀𝑡 ∈𝑇
, , , , , , , , , , , , , , , ,
𝑃𝐴 , = 𝑃𝐴 , + 𝑃𝐸(𝑆) , ,
∗ +𝑣 , −𝑣 , −𝑏 , −𝑏 , −𝑏 ,
,
+ℎ , − 𝑓 ,, ∀𝑡 ∈𝑇
𝑠 = 2, 𝑝 = 2
, , , , , , , , , , , , , , , ,
𝑃𝐴 , = 𝑃𝐴 , − 𝑃𝐸(𝑆) , ,
∗ +𝑣 , −𝑣 , −𝑏 , +𝑏 , +𝑏 ,
,
+ℎ , − 𝑓 ,, ∀𝑡 ∈𝑇
, , , , , , ,
𝑃𝐴 , = 𝑃𝐴 , + 𝑃𝐸(𝑆) , ,
∗ −𝑏 , +ℎ , − 𝑓 ,, ∀𝑡 ∈𝑇
𝑠 = 3, 𝑝 = 1
, , , ,
𝑃𝐴 , = 𝑃𝐴 , − 𝑃𝐸(𝑆) , ,
∗ +ℎ , − 𝑓 ,, ∀𝑡 ∈𝑇
, , , , , , , , , , , , , , , ,
𝑃𝐴 , = 𝑃𝐴 , + 𝑃𝐸(𝑆) , ,
∗ +𝑣 , −𝑣 , −𝑏 , −𝑏 , −𝑏 ,
,
+ℎ , − 𝑓 ,, ∀ 𝑡 ∈ 𝑇
𝑠 = 4, 𝑝 = 1
, , , , , , , , , , , ,
𝑃𝐴 , = 𝑃𝐴 , − 𝑃𝐸(𝑆) , ,
∗ +𝑣 , +𝑣 , −𝑣 , −𝑣 , +ℎ , − 𝑓 ,, ∀𝑡 ∈𝑇
, , , , , , ,
𝑃𝐴 , = 𝑃𝐴 , + 𝑃𝐸(𝑆) , ,
∗ −𝑏 , +ℎ , − 𝑓 ,, ∀𝑡 ∈𝑇
𝑟=8
𝑃𝐴 , = 𝑃𝐴 , +ℎ , −𝑓, ∀𝑡 ∈𝑇
Ein Modellzu
a.
Zunächst sind die entsprechenden Personalausstattungen in „Zustände“ 𝑖 bzw. 𝑗 zu codie-

ren:
, ,
𝑃𝐴 , ⇒ 𝑖=𝑗=1 𝑃𝐴 , ⇒ 𝑖=𝑗=4
, ,
𝑃𝐴 , ⇒ 𝑖=𝑗=2 𝑃𝐴 , ⇒ 𝑖=𝑗=5
, ,
𝑃𝐴 , ⇒ 𝑖=𝑗=3 𝑃𝐴 , ⇒ 𝑖=𝑗=6
Mit dieser Codierung lassen sich sodann die Übergangswahrscheinlichkeiten 𝑝 sowie die
Austrittswahrscheinlichkeiten 𝑤 bestimmen (vgl. Tabelle 18.15):
Tabelle 18.15 Übergangs- und Austrittswahrscheinlichkeiten
𝑗=1 𝑗=2 𝑗=3 𝑗=4 𝑗=5 𝑗=6 𝑤 =1− 𝑝
𝑝 𝑤 =1− 𝑝
𝑖=1 0 0 0 0 0
= 0,79 𝑤 = 1 − 0,79 = 0,21
𝑝 𝑝 𝑝
𝑖=2 0 0 0 𝑤 = 0,11
= 0,79 = 0,03 = 0,07
𝑝 𝑝
𝑖=3 0 0 0 0 𝑤 = 0,14
= 0,79 = 0,07
𝑝 𝑝 𝑝
𝑖=4 0 0 0 𝑤 = 0,08
= 0,07 = 0,82 = 0,03
𝑝 𝑝 𝑝
𝑖=5 0 0 0 𝑤 = 0,08
= 0,07 = 0,82 = 0,03
𝑝
𝑖=6 0 0 0 0 0 𝑤 = 0,18
= 0,82
Die Schätzung der Personalausstattungen für die Perioden 𝑡 = 1 und 𝑡 = 3 kann dann mit
𝑃𝐴 = (23, 35, 32, 42, 37, 18) durch folgende Gleichungen bestimmt werden:
𝑡 = 1:
0,79 0 0 0 0 0
0 0,79 0,03 0,07 0 0
⎛ ⎞
0 0 0,79 0 0,07 0
𝑃𝐴 = 𝑃𝐴 ∙ [𝑃] = (23, 35, 32, 42, 37, 18) ∙ ⎜ ⎟
⎜ 0 0,07 0 0,82 0,03 0 ⎟
0 0 0,07 0 0,82 0,03
⎝ 0 0 0 0 0 0,82⎠
𝑃𝐴 = (18,17; 30,59; 28,92; 36,89; 33,84; 15,87)
𝑡 = 3:
𝑃𝐴 = 𝑃𝐴 ∙ [𝑃]
0,79 0 0 0 0 0
0 0,79 0,03 0,07 0 0
⎛ ⎞
0 0 0,79 0 0,07 0
= (23, 35, 32, 42, 37, 18) ∙ ⎜ ⎟
⎜ 0 0,07 0 0,82 0,03 0 ⎟
0 0 0,07 0 0,82 0,03
⎝ 0 0 0 0 0 0,82⎠
𝑃𝐴 = (11,34; 23,4; 23,61; 28,43; 28,12; 12,43)
b.
Durch die gegebenen Einstellungen und Entlassungen für die Periode 𝑡 = 1 ergibt sich für
den korrespondierenden Vektor 𝑔 :
𝑔 = (5, 2, 0, −1, 1, 4)
Die Schätzung der Personalausstattungen für die Perioden 𝑡 = 1 kann dann mit 𝑃𝐴 =
(23, 35, 32, 42, 37, 18) durch folgende Gleichungen bestimmt werden:
𝑃𝐴 = 𝑃𝐴 ∙ [𝑃] + 𝑔 = (18,17; 30,59; 28,92; 36,89; 33,84; 15,87) + (5, 2, 0, −1, 1, 4)
𝑃𝐴 = (23,17; 32,59; 28,92; 35,89; 34,84; 19,87)
𝑠=1
, , , ,
𝑃𝐸 = 𝑃𝐸 , + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝐿) ∀𝑡 ∈𝑇
, , , ,
𝑃𝐸 = 𝑃𝐸 , + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝐿) ∀𝑡 ∈𝑇
Ein Modellzu
, , , , ,
𝑃𝐸 = 𝑃𝐸 , + 𝑃𝐸 , + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝐿) ∀𝑡 ∈𝑇
, , , ,
𝑃𝐸 = 𝑃𝐸 , + 𝑃𝐸 , + 𝑃𝐸(𝐿) ∀𝑡 ∈ 𝑇
, , , ,
𝑃𝐸 = 𝑃𝐸 , + 𝑃𝐸 , + 𝑃𝐸 , ∀𝑡 ∈𝑇
, , , ,
𝑃𝐸 = 𝑃𝐸 , + 𝑃𝐸 , + 𝑃𝐸 , ∀𝑡 ∈𝑇
𝑠=2
, , ,
𝑃𝐸 = 𝑃𝐸 , + 𝑃𝐸(𝑆) , ∀𝑡 ∈𝑇
, , ,
𝑃𝐸 = 𝑃𝐸 , + 𝑃𝐸(𝑆) , ∀𝑡 ∈𝑇
, , , ,
𝑃𝐸 = 𝑃𝐸 , + 𝑃𝐸 , + 𝑃𝐸(𝑆) , ∀𝑡 ∈𝑇
, , ,
𝑃𝐸 = 𝑃𝐸 , + 𝑃𝐸 , ∀𝑡 ∈𝑇
, , , ,
𝑃𝐸 = 𝑃𝐸 , + 𝑃𝐸 , + 𝑃𝐸 , ∀𝑡∈𝑇
, , , ,
𝑃𝐸 = 𝑃𝐸 , + 𝑃𝐸 , + 𝑃𝐸 , ∀𝑡∈𝑇
𝑠=3
, , ,
𝑃𝐸 = 𝑃𝐸 , + 𝑃𝐸(𝑆) , ∀𝑡 ∈𝑇
, , ,
𝑃𝐸 = 𝑃𝐸 , + 𝑃𝐸(𝑆) , ∀𝑡 ∈𝑇
, , , ,
𝑃𝐸 = 𝑃𝐸 , + 𝑃𝐸 , + 𝑃𝐸(𝑆) , ∀𝑡 ∈𝑇
, , ,
𝑃𝐸 = 𝑃𝐸 , + 𝑃𝐸 , ∀𝑡 ∈𝑇
, , , ,
𝑃𝐸 = 𝑃𝐸 , + 𝑃𝐸 , + 𝑃𝐸 , ∀𝑡∈𝑇
, , , ,
𝑃𝐸 = 𝑃𝐸 , + 𝑃𝐸 , + 𝑃𝐸 , ∀𝑡∈𝑇
Zielfunktion:
𝐸𝐾 ∙ 𝑃𝐸 → min!
∈
5000 ∙ 𝑃𝐸 + 4500 ∙ 𝑃𝐸 + 4000 ∙ 𝑃𝐸 + 2500 ∙ 𝑃𝐸 + 2000 ∙ 𝑃𝐸 + 1000 ∙ 𝑃𝐸
+3000 ∙ 𝑃𝐸 + 3000 ∙ 𝑃𝐸 + 3000 ∙ 𝑃𝐸 + 2500 ∙ 𝑃𝐸 + 2000 ∙ 𝑃𝐸 + 750 ∙ 𝑃𝐸 → min!
u.d.N.:
(1) Abstimmung Personaleinsatz und Personalbedarf:
𝑃𝐸 = 𝑃𝐵 ∀𝑞 ∈𝑄
∈
𝑃𝐸 + 𝑃𝐸 = 𝑃𝐵 = 1
𝑃𝐸 = 𝑃𝐵 = 5
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 = 𝑃𝐵 = 30
𝑃𝐸 + 𝑃𝐸 = 𝑃𝐵 = 10
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 = 𝑃𝐵 = 20
∈
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴 = 10
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴 = 25
𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴 = 11
𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴 = 20
𝑃𝐸 ≥0 ∀ 𝑟 ∈ 𝑅, 𝑞 ∈ 𝑄
𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 ≥0
Ein Modellzu
a.
Zielfunktion:
𝑧 ∙ 𝑃𝐸 → min!
∈
15 ∙ 𝑃𝐸 + 15 ∙ 𝑃𝐸 + 15 ∙ 𝑃𝐸 + 45 ∙ 𝑃𝐸 + 15 ∙ 𝑃𝐸 + 45 ∙ 𝑃𝐸 + 15 ∙ 𝑃𝐸 + 15 ∙ 𝑃𝐸
+30 ∙ 𝑃𝐸 + 30 ∙ 𝑃𝐸 + 60 ∙ 𝑃𝐸 → min!
u.d.N.:
(1) Abstimmung Personaleinsatz und Personalbedarf:
𝑃𝐸 = 𝑃𝐵 ∀𝑞 ∈𝑄
∈
𝑃𝐸 = 𝑃𝐵 = 7
𝑃𝐸 = 𝑃𝐵 = 3
𝑃𝐸 + 𝑃𝐸 = 𝑃𝐵 = 12
𝑃𝐸 + 𝑃𝐸 = 𝑃𝐵 = 5
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 = 𝑃𝐵 = 10
∈
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴 = 7
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴 = 3
𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴 = 15
𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴 = 5
𝑃𝐸 ≤ 𝑃𝐴 = 10
𝑃𝐸 ≥0 ∀ 𝑟 ∈ 𝑅, 𝑞 ∈ 𝑄
𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , ≥ 0
b.
Nachdem auf kollektiver Ebene die optimale Zuordnung von Arbeitskräften zu den Tätig-
keitsarten erfolgt ist, könnte im Anschluss eine konkrete Zuordnung von einzelnen Arbeits-
kräften zu einzelnen Tätigkeiten (Individualebene) erfolgen. Zu diesem Zwecke könnte
bspw. ein Modell aus dem Bereich des Personnel-Assignments verwendet werden. Diesbe-
züglich wären nun zunächst die einzelnen Tätigkeiten jeder Tätigkeitsart sowie die einzelnen
Arbeitskräfte jeder Kategorie zu spezifizieren, um im Anschluss jeder Arbeitskraft genau
eine Tätigkeit zuordnen zu können.
Betrachten wir bspw. die Tätigkeitsart „Vorlesungen im Bereich BWL konzipieren und
durchführen“ und die Arbeitskräfteart „Professoren im Bereich BWL“, könnten wir diese
Vorlesungen und Professoren bspw. wie folgt konkretisieren:
Vorlesungen 𝑗 im Bereich BWL: Professoren 𝑖 im Bereich BWL:
■ Vorlesung Rechnungswesen (𝑅𝑊) ■ Professorin 𝐴

■ Vorlesung Marketing (𝑀) ■ Professor 𝐵
■ Vorlesung Produktion und Logistik (𝑃𝐿) ■ Professorin 𝐶
■ Vorlesung Personalmanagement (𝑃𝑀) ■ Professorin 𝐷
■ Vorlesung Investition und Finanzierung (𝐼𝐹) ■ Professor 𝐸
■ Vorlesung Entrepreneurship (𝐸) ■ Professor 𝐹
■ Vorlesung Organisation (𝑂) ■ Professorin 𝐺
Durch Zuordnung von entsprechenden 𝑐 kommen wir dann zu Tabelle 18.16:
Tabelle 18.16 Zuordnungskoeffizienten von Professoren und Vorlesungen
𝑅𝑊 𝑀 𝑃𝐿 𝑃𝑀 𝐼𝐹 𝐸 𝑂
𝐴 𝑐 , 𝑐 , 𝑐 , 𝑐 , 𝑐 , 𝑐 , 𝑐 ,
𝐵 𝑐 , 𝑐 , 𝑐 , 𝑐 , 𝑐 , 𝑐 , 𝑐 ,
𝐶 𝑐 , 𝑐 , 𝑐 , 𝑐 , 𝑐 , 𝑐 , 𝑐 ,
𝐷 𝑐 , 𝑐 , 𝑐 , 𝑐 , 𝑐 , 𝑐 , 𝑐 ,
𝐸 𝑐 , 𝑐 , 𝑐 , 𝑐 , 𝑐 , 𝑐 , 𝑐 ,
𝐹 𝑐 , 𝑐 , 𝑐 , 𝑐 , 𝑐 , 𝑐 , 𝑐 ,
𝐺 𝑐 , 𝑐 , 𝑐 , 𝑐 , 𝑐 , 𝑐 , 𝑐 ,
Ein Modellzu
Die Zuordnungskoeffizienten 𝑐 können (hier) bspw. als Eignungswerte oder Leistungsfak-

toren interpretiert werden. Ermitteln wir die (optimale) Lösung zum entstehenden Person-
nel-Assignment-Problem, erhalten wir zusätzlich zum (optimalen) kollektiven einen (opti-
malen) individuellen Personaleinsatzplan.
Symbole:
Mengen
𝑅 ≔ {𝑟|𝑟 = 1, … , 𝑅} Menge der Arbeitskräftekategorien
𝑆 ≔ {𝑠|𝑠 = 1, … , 𝑆} Menge der Schichten
𝑇 ≔ {𝑡|𝑡 = 1, … , 𝑇} Menge der Tagesabschnitte
𝑅 ≔ Menge der Arbeitskräfte der Kategorie 𝑟, die zur Erledigung von Tätigkeiten der
Art 𝑞 bereitgestellt werden können
𝑅 ≔ Menge der Arbeitskräfte der Kategorie 𝑟, die in Schicht 𝑠 eingesetzt werden

können
𝑆 ≔ Menge der Schichten 𝑠, in denen Arbeitskräfte der Kategorie 𝑟 eingesetzt werden

können
𝑆 ≔ Menge aller Schichten, die in Tagesabschnitt 𝑡 einen Dienst vorsehen
Daten
𝑃𝐴 ≔ (Personal-) Ausstattung mit Arbeitskräften der Kategorie 𝑟
𝑃𝐵 ≔ (Personal-) Bedarf an Arbeitskräften zur Erledigung von Tätigkeiten der Art 𝑞 in

Tagesabschnitt 𝑡
,
𝑃𝐸 ≔ Mindestanzahl an eingesetzten Arbeitskräften der Kategorie 𝑟 für die Erledigung
von Tätigkeiten der Art 𝑞 in Tagesabschnitt 𝑡
𝐿𝐾 ≔ Lohnkostensatz einer Arbeitskraft der Kategorie 𝑟, die in Schicht 𝑠 eingesetzt

wird
𝑃𝐸 ≔ Personaleinsatz von Arbeitskräften der Kategorie 𝑟 zur Erledigung von

Tätigkeiten der Art 𝑞 in Schicht 𝑠
Zielfunktion:
𝐿𝐾 ∙ 𝑃𝐸 → min!
∈ ∈
150 ∙ 𝑃𝐸 + 150 ∙ 𝑃𝐸 + 150 ∙ 𝑃𝐸 + 150 ∙ 𝑃𝐸 + 150 ∙ 𝑃𝐸 + 150 ∙ 𝑃𝐸 +
200 ∙ 𝑃𝐸 + 200 ∙ 𝑃𝐸 + 180 ∙ 𝑃𝐸 + 180 ∙ 𝑃𝐸 +
150 ∙ 𝑃𝐸 + 150 ∙ 𝑃𝐸 + 150 ∙ 𝑃𝐸 + 150 ∙ 𝑃𝐸 + 150 ∙ 𝑃𝐸 + 150 ∙ 𝑃𝐸
+200 ∙ 𝑃𝐸 + 200 ∙ 𝑃𝐸 + 180 ∙ 𝑃𝐸 + 180 ∙ 𝑃𝐸 +
180 ∙ 𝑃𝐸 + 180 ∙ 𝑃𝐸 + 180 ∙ 𝑃𝐸 + 180 ∙ 𝑃𝐸 + 180 ∙ 𝑃𝐸 + 180 ∙ 𝑃𝐸 +
300 ∙ 𝑃𝐸 + 300 ∙ 𝑃𝐸 + 320 ∙ 𝑃𝐸 + 320 ∙ 𝑃𝐸 +
250 ∙ 𝑃𝐸 + 250 ∙ 𝑃𝐸 + 250 ∙ 𝑃𝐸 + 250 ∙ 𝑃𝐸 + 250 ∙ 𝑃𝐸 + 250 ∙ 𝑃𝐸 +
350 ∙ 𝑃𝐸 + 350 ∙ 𝑃𝐸 +
250 ∙ 𝑃𝐸 + 250 ∙ 𝑃𝐸 + 250 ∙ 𝑃𝐸 + 350 ∙ 𝑃𝐸 + 350 ∙ 𝑃𝐸 → 𝑚𝑖𝑛!
u.d.N.:
𝑃𝐵 ≤ 𝑃𝐸 ∀ 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇
∈ ∈ 
𝑡=1 𝑡=2
𝑃𝐵 = 2 ≤ 𝑃𝐸 𝑃𝐵 = 2 ≤ 𝑃𝐸
𝑃𝐵 = 3 ≤ 𝑃𝐸 𝑃𝐵 = 3 ≤ 𝑃𝐸
𝑃𝐵 = 2 ≤ 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 𝑃𝐵 = 2 ≤ 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸
𝑃𝐵 = 1 ≤ 𝑃𝐸 + 𝑃𝐸 𝑃𝐵 = 1 ≤ 𝑃𝐸 + 𝑃𝐸
𝑡=3
𝑃𝐵 = 2 ≤ 𝑃𝐸
𝑃𝐵 = 3 ≤ 𝑃𝐸
Ein Modellzu
𝑃𝐵 = 2 ≤ 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸
𝑃𝐵 = 4 ≤ 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸
𝑃𝐵 = 1 ≤ 𝑃𝐸 + 𝑃𝐸
𝑡=4
𝑃𝐵 = 4 ≤ 𝑃𝐸 + 𝑃𝐸
𝑃𝐵 = 1 ≤ 𝑃𝐸 + 𝑃𝐸
𝑃𝐵 = 2 ≤ 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸
𝑃𝐵 = 4 ≤ 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸
𝑃𝐵 = 2 ≤ 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸
𝑡=5
𝑃𝐵 = 4 ≤ 𝑃𝐸
𝑃𝐵 = 1 ≤ 𝑃𝐸
𝑃𝐵 = 2 ≤ 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸
𝑃𝐵 = 4 ≤ 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸
𝑃𝐵 = 2 ≤ 𝑃𝐸 + 𝑃𝐸
𝑡=6
𝑃𝐵 = 4 ≤ 𝑃𝐸 + 𝑃𝐸
𝑃𝐵 = 1 ≤ 𝑃𝐸 + 𝑃𝐸
𝑃𝐵 = 2 ≤ 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸
𝑃𝐵 = 4 ≤ 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸
𝑃𝐵 = 2 ≤ 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸
𝑡=7
𝑃𝐵 = 4 ≤ 𝑃𝐸 + 𝑃𝐸
𝑃𝐵 = 2 ≤ 𝑃𝐸 + 𝑃𝐸
𝑃𝐵 = 8 ≤ 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸
𝑃𝐵 = 6 ≤ 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸
𝑃𝐵 = 4 ≤ 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸
𝑡=8 𝑡=9
𝑃𝐵 = 4 ≤ 𝑃𝐸 𝑃𝐵 = 4 ≤ 𝑃𝐸
𝑃𝐵 = 2 ≤ 𝑃𝐸 𝑃𝐵 = 2 ≤ 𝑃𝐸
𝑃𝐵 = 8 ≤ 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 𝑃𝐵 = 8 ≤ 𝑃𝐸 + 𝑃𝐸
𝑃𝐵 = 6 ≤ 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 𝑃𝐵 = 6 ≤ 𝑃𝐸 + 𝑃𝐸
𝑃𝐵 = 4 ≤ 𝑃𝐸 + 𝑃𝐸 𝑃𝐵 = 4 ≤ 𝑃𝐸 + 𝑃𝐸
𝑡 = 10 𝑡 = 11
𝑃𝐵 = 2 ≤ 𝑃𝐸 + 𝑃𝐸 𝑃𝐵 = 2 ≤ 𝑃𝐸 + 𝑃𝐸
𝑃𝐵 = 5 ≤ 𝑃𝐸 + 𝑃𝐸 𝑃𝐵 = 5 ≤ 𝑃𝐸 + 𝑃𝐸
𝑡 = 12
𝑃𝐵 = 2 ≤ 𝑃𝐸
𝑃𝐵 = 5 ≤ 𝑃𝐸
𝑃𝐵 = 6 ≤ 𝑃𝐸
𝑃𝐵 = 2 ≤ 𝑃𝐸
𝑃𝐵 = 1 ≤ 𝑃𝐸
∈ ∈
𝑟=1
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 +
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴 = 15
Ein
Lösungen
Modellzu
zur
Übungsaufgaben
𝑟=2
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 +
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴 = 20
𝑟=3
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴 = 5
𝑟=4
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 +
𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴 = 12
(3) Untergrenze für den Einsatz von 𝑟 = 3 für 𝑞 = 4 in 𝑡 = 1, … ,8:
,
𝑃𝐸 ≥ 𝑃𝐸 ∀ 𝑡 ∈ {1, … ,8}
∈
, ,
𝑃𝐸 ≥ 𝑃𝐸 =2 𝑃𝐸 ≥ 𝑃𝐸 =2
, ,
𝑃𝐸 ≥ 𝑃𝐸 =2 𝑃𝐸 + 𝑃𝐸 ≥ 𝑃𝐸 =2
, ,
𝑃𝐸 ≥ 𝑃𝐸 =2 𝑃𝐸 + 𝑃𝐸 ≥ 𝑃𝐸 =2
, ,
𝑃𝐸 + 𝑃𝐸 ≥ 𝑃𝐸 =2 𝑃𝐸 ≥ 𝑃𝐸 =2
𝑃𝐸 ≥0 ∀ 𝑟 ∈ 𝑅, 𝑠 ∈ 𝑆
Alle in diesem Ansatz verwendeten Personaleinsatzvariablen müssen größer oder gleich

Null sein.
a.
Bezeichnen wir die Differenz aus der Gesamtpersonalausstattung an einem Tag 𝑡 (𝑃𝐴 )
und dem entsprechenden Personalbedarf (𝑃𝐵 ) als Personalbedarfsabweichung 𝑃𝐵𝐴 (also
ist 𝑃𝐵𝐴 = 𝑃𝐴 − 𝑃𝐵 ) sowie den Zugehörigkeitswert von 𝑃𝐵𝐴 zur Menge der unscharfen
Zufriedenheit mit der Schichtausstattung mit 𝜇 (𝑃𝐵𝐴), lässt sich die entsprechende Zuge-
hörigkeitsfunktion wie folgt grafisch darstellen (vgl. Abbildung 18.17):
Abbildung 18.17 Zugehörigkeitsfunktion der Differenz von Gesamtpersonalausstattung

und Personalbedarf
𝜇 (𝑃𝐵𝐴)
1
−3 −2 −1 1 2 3 𝑃𝐵𝐴
b.
Für eine operatorenspezifische Gesamtbewertung der beiden Dienstpläne müssen zunächst

die konkreten 𝑃𝐵𝐴 für die einzelnen Tage sowie die dazu gehörigen 𝜇 (𝑃𝐵𝐴) bestimmt wer-
den. Für die Ermittlung der letztgenannten können dabei aufgrund der linear verlaufenden
Zugehörigkeitsfunktion folgende Gleichungen verwendet werden:
3 + 𝑃𝐵𝐴
𝜇 (𝑃𝐵𝐴) = für 𝑃𝐵𝐴 ≤ 0
3
𝑃𝐵𝐴
𝜇 (𝑃𝐵𝐴) = 1 − für 𝑃𝐵𝐴 ≥ 0
3
Die Ergebnisse dieser Ermittlungen sind in Tabelle 18.17 und Tabelle 18.18 dargestellt:
Ein Modellzu
Tabelle 18.17 Ermittlung der Differenzen von Gesamtpersonalausstattung und Perso-

nalbedarf sowie der unscharfen Zufriedenheit mit der Schichtausstat-
tung für Dienstplan 1
𝑡 1 2 3 4 5 6 7
Zufriedenheit mit Grund-
𝑃𝐵 10 12 10 15 18 10 10
schichtmuster
𝑠=1 9 9 9 9 9 - - 1
𝑠=4 - - - 6 6 6 6 0,8
𝑠=6 3 3 3 - - - - 0,5
𝑠=7 - - - - 4 4 4 0,5
𝑃𝐴 12 12 12 15 19 10 10
𝑃𝐵𝐴
2 0 2 0 1 0 0
(𝑃𝐴 − 𝑃𝐵 )
Zufriedenheit 1 1 2
mit Schicht- 3 1 3 1 3 1 1
ausstattung
Tabelle 18.18 Ermittlung der Differenzen von Gesamtpersonalausstattung und Perso-

nalbedarf sowie der unscharfen Zufriedenheit mit der Schichtausstat-
tung für Dienstplan 2
𝑡 1 2 3 4 5 6 7
Zufriedenheit mit Grund-
𝑃𝐵 10 12 10 15 18 10 10
schichtmuster
𝑠=2 4 4 - - 4 4 4 1
𝑠=3 5 - - 5 5 5 5 1
𝑠=5 - 10 10 10 10 - - 0,8
𝑃𝐴 9 14 10 15 19 9 9
𝑃𝐵𝐴
-1 2 0 0 1 -1 -1
(𝑃𝐴 − 𝑃𝐵 )
Zufriedenheit 2 1 2 2 2
mit Schicht- 3 3 1 1 3 3 3
ausstattung
Bei Anwendung des Minimumoperators ergeben sich für den ersten und zweiten Dienstplan
(𝐷𝑃1 und 𝐷𝑃2) folgende Gesamtbewertungen 𝜇 und 𝜇 :
1 1 2 1
𝜇 = min , 1, , 1, , 1,1 =
3 3 3 3
2 1 2 2 2 1
𝜇 = min , , 1,1, , , =
3 3 3 3 3 3
Verwenden wir hingegen den Maximumoperator ergeben sich:
1 1 2
𝜇 = max , 1, , 1, , 1,1 = 1
3 3 3
2 1 2 2 2
𝜇 = max , , 1,1, , , = 1
3 3 3 3 3
Bildet man das arithmetische Mittel zur Ermittlung der Gesamtbewertung, nehmen 𝜇 und
𝜇 folgende Werte an:
1 1 ∙ 9 + 0,8 ∙ 6 + 0,5 ∙ 3 + 0,5 ∙ 4 +1+ +1+ +1+1

𝜇 = ∙( + )
2 9+6+3+4 7
1
= ∙ (0,786 + 0,762) = 0,774
2
1 1 ∙ 4 + 1 ∙ 5 + 0,8 ∙ 10 + +1+1+ + +
𝜇 = ∙( + )
2 4 + 5 + 10 7
1
= ∙ (0,895 + 0,714) = 0,805
2
Die Ergebnisse aller Gesamtbewertungen sind in Tabelle 18.19 zusammengefasst:
Tabelle 18.19 Zusammenfassung der Ergebnisse
Dienstplan 1 Dienstplan 2
1 1
Minimumoperator 3 3
Maximumoperator 1 1
Arithmetisches Mittel 0,774 0,805

Ein Modellzu
a.
Symbole:
Mengen
𝑅 ≔ {𝑟|𝑟 = 1, … , 𝑅} Menge der baustellengebundenen Arbeitskräftearten
𝑆 ≔ {𝑠|𝑠 = 1, … , 𝑆} Menge der Baustellen
𝑇 ≔ {𝑡|𝑡 = 1, … , 𝑇} Menge der Perioden

∗
𝑅 ≔ {𝑟 ∗ |𝑟 ∗ = 1, … , 𝑅 ∗ } Menge der baustellenungebundenen Arbeitskräftearten
𝑄 ≔ Menge der Tätigkeitsarten 𝑞, für die Arbeitskräfte der Art 𝑟 verwendet werden
können
𝑄 ∗ ≔ Menge der Tätigkeitsarten 𝑞, für die Arbeitskräfte der Art 𝑟 ∗ verwendet werden
können
𝑅∗ ≔ Menge der Arbeitskräftearten 𝑟 ∗ , die zur Erledigung von Tätigkeiten der Art
𝑞 bereitgestellt werden können
Daten
𝐹𝐾 , ≔ Entlassungskostensatz einer Arbeitskraft der Art 𝑟 auf Baustelle 𝑠 in Periode 𝑡
𝐹𝐾 ∗ ≔ Entlassungskostensatz einer Arbeitskraft der Art 𝑟 ∗ in Periode 𝑡
𝐺𝐾 , ≔ Gehaltskostensatz einer Arbeitskraft der Art 𝑟 auf Baustelle 𝑠 in Periode 𝑡
𝐺𝐾 ∗ ≔ Gehaltskostensatz einer Arbeitskraft der Art 𝑟 ∗ in Periode 𝑡
𝐻𝐾 , ≔ Einstellungskostensatz einer Arbeitskraft der Art 𝑟 auf Baustelle 𝑠 in Periode 𝑡
𝐻𝐾 ∗ ≔ Einstellungskostensatz einer Arbeitskraft der Art 𝑟 ∗ in Periode 𝑡
𝑃𝐵 , ≔ (Personal-) Bedarf an Arbeitskräften zur Erledigung von Tätigkeiten der Art 𝑞

auf Baustelle 𝑠 in Periode 𝑡
𝑓, ∶= Anzahl der auf Baustelle s in Periode 𝑡 zu entlassenden Arbeitskräfte der Art 𝑟

𝑓∗ ∶= Anzahl der in Periode 𝑡 zu entlassenden Arbeitskräfte der Art 𝑟 ∗
ℎ , ∶= Anzahl der auf Baustelle s in Periode 𝑡 einzustellenden Arbeitskräfte der Art 𝑟
ℎ ∗ ∶= Anzahl der in Periode 𝑡 einzustellenden Arbeitskräfte der Art 𝑟 ∗
𝑃𝐴 , ∶= (Personal-) Ausstattung mit Arbeitskräften der Art 𝑟 auf Baustelle 𝑠 in Periode 𝑡
𝑃𝐴 ∗ ∶= (Personal-) Ausstattung mit Arbeitskräften der Art 𝑟 ∗ in Periode 𝑡
𝑃𝐸 , , ∶= (Personal-) Einsatz von Arbeitskräften der Art 𝑟 zur Erledigung von Tätigkeiten
der Art 𝑞 auf Baustelle 𝑠 in Periode 𝑡
𝑆𝐸 ∗, , ∶= (Springer-) Einsatz von Arbeitskräften der Art 𝑟 ∗ zur Erledigung von

Tätigkeiten der Art 𝑞 auf Baustelle 𝑠 in Periode 𝑡
Zielfunktion:
(𝐺𝐾 , ∙ 𝑃𝐴 , + 𝐻𝐾 , ∙ℎ , + 𝐹𝐾 , ∙𝑓, )+
𝐺𝐾 ∗ ∙ 𝑃𝐴 ∗ + 𝐻𝐾 ∗ ∙ ℎ ∗ + 𝐹𝐾 ∗ ∙ 𝑓 ∗ → min!
∗
u.d.N.:
𝑃𝐵 , = 𝑃𝐸 , , + 𝑆𝐸 ∗, , ∀ 𝑞 ∈ 𝑄, 𝑠 ∈ 𝑆, 𝑡 ∈ 𝑇
∈ ∗∈ ∗
(2) Abstimmung von Personaleinsatz und Personalausstattung:
a) Baustellengebundene Arbeitskräfte
𝑃𝐸 , , ≤ 𝑃𝐴 , ∀ 𝑟 ∈ 𝑅, 𝑠 ∈ 𝑆, 𝑡 ∈ 𝑇
∈
b) Baustellenungebundene Arbeitskräfte
∗
𝑆𝐸 ∗, , ≤ 𝑃𝐴 ∗ ∀ 𝑟∗ ∈ 𝑅 , 𝑡 ∈ 𝑇
∈ ∗
(3) Personalausstattungsfortschreibung:
Ein Modellzu
𝑃𝐴 , = 𝑃𝐴 , +ℎ , −𝑓, ∀ 𝑟 ∈ 𝑅, 𝑠 ∈ 𝑆, 𝑡 ∈ 𝑇
∗
𝑃𝐴 ∗ = 𝑃𝐴 ∗ +ℎ ∗ −𝑓∗ ∀ 𝑟∗ ∈ 𝑅 , 𝑡 ∈ 𝑇
∗
ℎ , , ℎ ∗ , 𝑓 , , 𝑓 ∗ , 𝑃𝐴 , , 𝑃𝐴 ∗ , 𝑃𝐸 , , , 𝑃𝐸 ∗, , ≥0 ∀ relevanten 𝑞 ∈ 𝑄, 𝑟 ∈ 𝑅, 𝑟 ∗ ∈ 𝑅 , 𝑠 ∈ 𝑆, 𝑡 ∈ 𝑇
b.
Zielfunktion:
𝑡=1
250 ∙ 𝑃𝐴 , + 350 ∙ 𝑃𝐴 , + 500 ∙ 𝑃𝐴 , + 750 ∙ 𝑃𝐴 , + 250 ∙ 𝑃𝐴 , + 350 ∙ 𝑃𝐴 , +
500 ∙ 𝑃𝐴 , + 750 ∙ 𝑃𝐴 , + 250 ∙ 𝑃𝐴 , + 350 ∙ 𝑃𝐴 , + 500 ∙ 𝑃𝐴 , + 750 ∙ 𝑃𝐴 , +
100 ∙ ℎ , + 100 ∙ ℎ , + 200 ∙ ℎ , + 300 ∙ ℎ , + 100 ∙ ℎ , + 100 ∙ ℎ , +
200 ∙ ℎ , + 300 ∙ ℎ , + 100 ∙ ℎ , + 100 ∙ ℎ , + 200 ∙ ℎ , + 300 ∙ ℎ , +
80 ∙ 𝑓 , + 80 ∙ 𝑓 , + 140 ∙ 𝑓 , + 220 ∙ 𝑓 , + 80 ∙ 𝑓 , + 80 ∙ 𝑓 , + 140 ∙ 𝑓 , +
220 ∙ 𝑓 , + 80 ∙ 𝑓 , + 80 ∙ 𝑓 , + 140 ∙ 𝑓 , + 220 ∙ 𝑓 , +
275 ∙ 𝑃𝐴 + 375 ∙ 𝑃𝐴 + 120 ∙ ℎ + 120 ∙ ℎ + 90 ∙ 𝑓 + 90 ∙ 𝑓 +
𝑡=2
250 ∙ 𝑃𝐴 , + 350 ∙ 𝑃𝐴 , + 500 ∙ 𝑃𝐴 , + 750 ∙ 𝑃𝐴 , + 250 ∙ 𝑃𝐴 , + 350 ∙ 𝑃𝐴 , +
500 ∙ 𝑃𝐴 , + 750 ∙ 𝑃𝐴 , + 250 ∙ 𝑃𝐴 , + 350 ∙ 𝑃𝐴 , + 500 ∙ 𝑃𝐴 , + 750 ∙ 𝑃𝐴 , +
100 ∙ ℎ , + 100 ∙ ℎ , + 200 ∙ ℎ , + 300 ∙ ℎ , + 100 ∙ ℎ , + 100 ∙ ℎ , +
200 ∙ ℎ , + 300 ∙ ℎ , + 100 ∙ ℎ , + 100 ∙ ℎ , + 200 ∙ ℎ , + 300 ∙ ℎ , +
80 ∙ 𝑓 , + 80 ∙ 𝑓 , + 140 ∙ 𝑓 , + 220 ∙ 𝑓 , + 80 ∙ 𝑓 , + 80 ∙ 𝑓 , + 140 ∙ 𝑓 , +
220 ∙ 𝑓 , + 80 ∙ 𝑓 , + 80 ∙ 𝑓 , + 140 ∙ 𝑓 , + 220 ∙ 𝑓 , +
275 ∙ 𝑃𝐴 + 375 ∙ 𝑃𝐴 + 120 ∙ ℎ + 120 ∙ ℎ + 90 ∙ 𝑓 + 90 ∙ 𝑓 +
𝑡=3
275 ∙ 𝑃𝐴 , + 385 ∙ 𝑃𝐴 , + 550 ∙ 𝑃𝐴 , + 825 ∙ 𝑃𝐴 , + 275 ∙ 𝑃𝐴 , + 385 ∙ 𝑃𝐴 , +
550 ∙ 𝑃𝐴 , + 825 ∙ 𝑃𝐴 , + 275 ∙ 𝑃𝐴 , + 385 ∙ 𝑃𝐴 , + 550 ∙ 𝑃𝐴 , + 825 ∙ 𝑃𝐴 , +

150 ∙ ℎ , + 150 ∙ ℎ , + 250 ∙ ℎ , + 350 ∙ ℎ , + 150 ∙ ℎ , + 150 ∙ ℎ , +
250 ∙ ℎ , + 350 ∙ ℎ , + 150 ∙ ℎ , + 150 ∙ ℎ , + 250 ∙ ℎ , + 350 ∙ ℎ , +
120 ∙ 𝑓 , + 120 ∙ 𝑓 , + 170 ∙ 𝑓 , + 260 ∙ 𝑓 , + 120 ∙ 𝑓 , + 120 ∙ 𝑓 , + 170 ∙ 𝑓 , +
260 ∙ 𝑓 , + 120 ∙ 𝑓 , + 120 ∙ 𝑓 , + 170 ∙ 𝑓 , + 260 ∙ 𝑓 , +
300 ∙ 𝑃𝐴 + 400 ∙ 𝑃𝐴 + 150 ∙ ℎ + 150 ∙ ℎ + +130 ∙ 𝑓 + 130 ∙ 𝑓 +
𝑡=4
275 ∙ 𝑃𝐴 , + 385 ∙ 𝑃𝐴 , + 550 ∙ 𝑃𝐴 , + 825 ∙ 𝑃𝐴 , + 275 ∙ 𝑃𝐴 , + 385 ∙ 𝑃𝐴 , +
550 ∙ 𝑃𝐴 , + 825 ∙ 𝑃𝐴 , + 275 ∙ 𝑃𝐴 , + 385 ∙ 𝑃𝐴 , + 550 ∙ 𝑃𝐴 , + 825 ∙ 𝑃𝐴 , +
150 ∙ ℎ , + 150 ∙ ℎ , + 250 ∙ ℎ , + 350 ∙ ℎ , + 150 ∙ ℎ , + 150 ∙ ℎ , +
250 ∙ ℎ , + 350 ∙ ℎ , + 150 ∙ ℎ , + 150 ∙ ℎ , + 250 ∙ ℎ , + 350 ∙ ℎ , +
120 ∙ 𝑓 , + 120 ∙ 𝑓 , + 170 ∙ 𝑓 , + 260 ∙ 𝑓 , + 120 ∙ 𝑓 , + 120 ∙ 𝑓 , + 170 ∙ 𝑓 , +
260 ∙ 𝑓 , + 120 ∙ 𝑓 , + 120 ∙ 𝑓 , + 170 ∙ 𝑓 , + 260 ∙ 𝑓 , +
300 ∙ 𝑃𝐴 + 400 ∙ 𝑃𝐴 + 150 ∙ ℎ + 150 ∙ ℎ + +130 ∙ 𝑓 + 130 ∙ 𝑓 → 𝑚𝑖𝑛!
u.d.N.:
𝑃𝐵 , = 𝑃𝐸 , , + 𝑆𝐸 ∗, , ∀ 𝑞 ∈ 𝑄, 𝑠 ∈ 𝑆, 𝑡 ∈ 𝑇
∈ ∗∈ ∗
𝑡 = 1, 𝑠 = 1
𝑃𝐵 , = 5 = 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , ,
𝑃𝐵 , = 4 = 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑆𝐸 , ,
𝑃𝐵 , = 2 = 𝑃𝐸 , , + 𝑃𝐸 , ,
𝑃𝐵 , = 1 = 𝑃𝐸 , ,
𝑡 = 1, 𝑠 = 2
𝑃𝐵 , = 3 = 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , ,
𝑃𝐵 , = 4 = 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑆𝐸 , ,
𝑃𝐵 , = 1 = 𝑃𝐸 , , + 𝑃𝐸 , ,
Ein Modellzu
𝑃𝐵 , = 1 = 𝑃𝐸 , ,
𝑡 = 1, 𝑠 = 3
𝑃𝐵 , = 7 = 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , ,
𝑃𝐵 , = 4 = 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑆𝐸 , ,
𝑃𝐵 , = 3 = 𝑃𝐸 , , + 𝑃𝐸 , ,
𝑃𝐵 , = 2 = 𝑃𝐸 , ,
𝑡 = 2, 𝑠 = 1
𝑃𝐵 , = 5 = 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , ,
𝑃𝐵 , = 4 = 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑆𝐸 , ,
𝑃𝐵 , = 2 = 𝑃𝐸 , , + 𝑃𝐸 , ,
𝑃𝐵 , = 1 = 𝑃𝐸 , ,
𝑡 = 2, 𝑠 = 2
𝑃𝐵 , = 3 = 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , ,
𝑃𝐵 , = 4 = 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑆𝐸 , ,
𝑃𝐵 , = 1 = 𝑃𝐸 , , + 𝑃𝐸 , ,
𝑃𝐵 , = 1 = 𝑃𝐸 , ,
𝑡 = 2, 𝑠 = 3
𝑃𝐵 , = 7 = 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , ,
𝑃𝐵 , = 4 = 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑆𝐸 , ,
𝑃𝐵 , = 3 = 𝑃𝐸 , , + 𝑃𝐸 , ,
𝑃𝐵 , = 2 = 𝑃𝐸 , ,
𝑡 = 3, 𝑠 = 1
𝑃𝐵 , = 2 = 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , ,
𝑃𝐵 , = 2 = 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑆𝐸 , ,
𝑃𝐵 , = 1 = 𝑃𝐸 , , + 𝑃𝐸 , ,
𝑃𝐵 , = 1 = 𝑃𝐸 , ,
𝑡 = 3, 𝑠 = 2
𝑃𝐵 , = 2 = 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , ,
𝑃𝐵 , = 2 = 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑆𝐸 , ,
𝑃𝐵 , = 1 = 𝑃𝐸 , , + 𝑃𝐸 , ,
𝑃𝐵 , = 1 = 𝑃𝐸 , ,
𝑡 = 3, 𝑠 = 3
𝑃𝐵 , = 2 = 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , ,
𝑃𝐵 , = 4 = 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑆𝐸 , ,
𝑃𝐵 , = 1 = 𝑃𝐸 , , + 𝑃𝐸 , ,
𝑃𝐵 , = 2 = 𝑃𝐸 , ,
𝑡 = 4, 𝑠 = 1
𝑃𝐵 , = 2 = 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , ,
𝑃𝐵 , = 1 = 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑆𝐸 , ,
𝑃𝐵 , = 1 = 𝑃𝐸 , , + 𝑃𝐸 , ,
𝑃𝐵 , = 1 = 𝑃𝐸 , ,
𝑡 = 4, 𝑠 = 2
𝑃𝐵 , = 2 = 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , ,
𝑃𝐵 , = 1 = 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑆𝐸 , ,
𝑃𝐵 , = 1 = 𝑃𝐸 , , + 𝑃𝐸 , ,
𝑃𝐵 , = 1 = 𝑃𝐸 , ,
𝑡 = 4, 𝑠 = 3
𝑃𝐵 , = 2 = 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , ,
𝑃𝐵 , = 2 = 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑆𝐸 , ,
𝑃𝐵 , = 1 = 𝑃𝐸 , , + 𝑃𝐸 , ,
𝑃𝐵 , = 2 = 𝑃𝐸 , ,

Ein Modellzu
𝑃𝐸 , , ≤ 𝑃𝐴 , ∀ 𝑟 ∈ 𝑅, 𝑠 ∈ 𝑆, 𝑡 ∈ 𝑇
∈
𝑡 = 1, 𝑠 = 1 𝑡 = 1, 𝑠 = 2
𝑃𝐸 , , ≤ 𝑃𝐴 , 𝑃𝐸 , , ≤ 𝑃𝐴 ,
𝑃𝐸 , , + 𝑃𝐸 , , ≤ 𝑃𝐴 , 𝑃𝐸 , , + 𝑃𝐸 , , ≤ 𝑃𝐴 ,
𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , ≤ 𝑃𝐴 , 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , ≤ 𝑃𝐴 ,
𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , ≤ 𝑃𝐴 , 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , ≤ 𝑃𝐴 ,
𝑡 = 1, 𝑠 = 3 𝑡 = 2, 𝑠 = 1
𝑃𝐸 ≤ 𝑃𝐴 𝑃𝐸 , , ≤ 𝑃𝐴 ,
, , ,
𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴 𝑃𝐸 , , + 𝑃𝐸 , , ≤ 𝑃𝐴 ,
, , , , ,
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , ≤ 𝑃𝐴 ,
, , , , , , ,
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , + 𝑃𝐸 , , ≤ 𝑃𝐴 ,
, , , , , , , , ,
𝑡 = 2, 𝑠 = 2 𝑡 = 2, 𝑠 = 3
𝑃𝐸 , , ≤ 𝑃𝐴 , 𝑃𝐸 , , ≤ 𝑃𝐴 ,
𝑃𝐸 , , + 𝑃𝐸 , , ≤ 𝑃𝐴 , 𝑃𝐸 , , + 𝑃𝐸 , , ≤ 𝑃𝐴 ,
𝑡 = 3, 𝑠 = 1 𝑡 = 3, 𝑠 = 2
𝑃𝐸 , , ≤ 𝑃𝐴 , 𝑃𝐸 , , ≤ 𝑃𝐴 ,
𝑃𝐸 , , + 𝑃𝐸 , , ≤ 𝑃𝐴 , 𝑃𝐸 , , + 𝑃𝐸 , , ≤ 𝑃𝐴 ,
𝑡 = 3, 𝑠 = 3 𝑡 = 4, 𝑠 = 1
𝑃𝐸 , , ≤ 𝑃𝐴 , 𝑃𝐸 , , ≤ 𝑃𝐴 ,
𝑃𝐸 , , + 𝑃𝐸 , , ≤ 𝑃𝐴 , 𝑃𝐸 , , + 𝑃𝐸 , , ≤ 𝑃𝐴 ,
𝑡 = 4, 𝑠 = 2 𝑡 = 4, 𝑠 = 3
𝑃𝐸 , , ≤ 𝑃𝐴 , 𝑃𝐸 , , ≤ 𝑃𝐴 ,
𝑃𝐸 , , + 𝑃𝐸 , , ≤ 𝑃𝐴 , 𝑃𝐸 , , + 𝑃𝐸 , , ≤ 𝑃𝐴 ,
∗
𝑆𝐸 ∗, , ≤ 𝑃𝐴 ∗ ∀ 𝑟∗ ∈ 𝑅 , 𝑡 ∈ 𝑇
∈ ∗
𝑡=1
𝑆𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , , ≤ 𝑃𝐴
𝑆𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , , ≤ 𝑃𝐴
𝑡=2
𝑆𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , , ≤ 𝑃𝐴
𝑆𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , , ≤ 𝑃𝐴
𝑡=3
𝑆𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , , ≤ 𝑃𝐴
𝑆𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , , ≤ 𝑃𝐴
𝑡=4
𝑆𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , , ≤ 𝑃𝐴
𝑆𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , , + 𝑆𝐸 , , ≤ 𝑃𝐴
𝑃𝐴 , = 𝑃𝐴 , +ℎ , −𝑓, ∀ 𝑟 ∈ 𝑅, 𝑠 ∈ 𝑆, 𝑡 ∈ 𝑇
𝑡 = 1, 𝑠 = 1 𝑡 = 1, 𝑠 = 2 𝑡 = 1, 𝑠 = 3
𝑃𝐴 , =0+ℎ , −𝑓, 𝑃𝐴 , = 0+ℎ , −𝑓, 𝑃𝐴 , = 0+ℎ , −𝑓,
Ein Modellzu
𝑃𝐴 , =0+ℎ , −𝑓, 𝑃𝐴 , =0+ℎ , −𝑓, 𝑃𝐴 , =0+ℎ , −𝑓,
𝑃𝐴 , =0+ℎ , −𝑓, 𝑃𝐴 , =0+ℎ , −𝑓, 𝑃𝐴 , =0+ℎ , −𝑓,
𝑃𝐴 , =0+ℎ , −𝑓, 𝑃𝐴 , =0+ℎ , −𝑓, 𝑃𝐴 , =0+ℎ , −𝑓,
𝑡 = 2, 𝑠 = 1 𝑡 = 2, 𝑠 = 2 𝑡 = 2, 𝑠 = 3
𝑃𝐴 , = 𝑃𝐴 , +ℎ , −𝑓, 𝑃𝐴 , = 𝑃𝐴 , +ℎ , −𝑓, 𝑃𝐴 , = 𝑃𝐴 , +ℎ , −𝑓,
𝑡 = 3, 𝑠 = 1 𝑡 = 3, 𝑠 = 2 𝑡 = 3, 𝑠 = 3
𝑡 = 4, 𝑠 = 1 𝑡 = 4, 𝑠 = 2 𝑡 = 4, 𝑠 = 3
∗
𝑃𝐴 ∗ = 𝑃𝐴 ∗ +ℎ ∗ −𝑓∗ ∀ 𝑟∗ ∈ 𝑅 , 𝑡 ∈ 𝑇
𝑡=1 𝑡=2 𝑡=3 𝑡=4

𝑃𝐴 = 0 + ℎ − 𝑓 𝑃𝐴 = 𝑃𝐴 + ℎ − 𝑓 𝑃𝐴 = 𝑃𝐴 + ℎ − 𝑓 𝑃𝐴 = 𝑃𝐴 + ℎ − 𝑓
𝑃𝐴 = 0 + ℎ − 𝑓 𝑃𝐴 = 𝑃𝐴 + ℎ − 𝑓 𝑃𝐴 = 𝑃𝐴 + ℎ − 𝑓 𝑃𝐴 = 𝑃𝐴 + ℎ − 𝑓
∗
ℎ , , ℎ ∗ , 𝑓 , , 𝑓 ∗ , 𝑃𝐴 , , 𝑃𝐴 ∗ , 𝑃𝐸 , , , 𝑃𝐸 ∗, , ≥0 ∀ relevanten 𝑞 ∈ 𝑄, 𝑟 ∈ 𝑅, 𝑟 ∗ ∈ 𝑅 , 𝑠 ∈ 𝑆, 𝑡 ∈ 𝑇
Alle in diesem Ansatz verwendeten Personaleinsatz-, Personalausstattungs-, Einstellungs-

a.
Symbole:
Mengen
𝑅 ≔ {𝑟|𝑟 = 1, … , 𝑅} Menge der Qualifikationsarten

∗
𝑅 ≔ {𝑟 ∗ |𝑟 ∗ = 1, … , 𝑅 ∗ } Menge der Zielqualifikationen
𝑅 ≔ {𝑟 |𝑟 = 1, … , 𝑅 } Menge der Basisqualifikationen
𝑄 ≔ Menge der Tätigkeitsarten 𝑞, für die Arbeitskräfte mit Qualifikation 𝑟 verwendet-

werden können
𝑅∗ ≔ Menge der Zielqualifikationen 𝑟 ∗ , die (durch Schulung) von Arbeitskräften mit-

Qualifikationsart 𝑟 erreicht werden können
𝑅 ≔ Menge der Basisqualifikationen 𝑟 , von denen aus Arbeitskräfte (durch Schulung)

die Qualifikationsart 𝑟 erreichen können
Daten
𝑃𝐵 ≔ (Personal-) Bedarf an Arbeitskräften zur Erledigung von Tätigkeiten der Art

𝑞 in Periode 𝑡
𝐻 ≔ Maximale Anzahl einzustellender Arbeitskräfte der Qualifikationsart 𝑟
𝛼 , ∗ (𝛼 , ) ≔ Abbruchquote einer Fortbildung von Arbeitskräften mit

Qualifikations-art 𝑟(𝑟 ) zu Arbeitskräften mit Qualifikationsart 𝑟 ∗ (𝑟)
𝛽 ≔ Fluktuation von Arbeitskräften mit Qualifikationsart 𝑟 in Periode 𝑡
𝛾 ≔ Maximal zu entlassender Anteil an der Gesamtpersonalausstattung in

Periode 𝑡
∗
𝜏 (𝜏 ) ≔ In Teilperioden gemessene Dauer einer Fortbildung von Arbeitskräften
mit Qualifikationsart 𝑟(𝑟 )zu Arbeitskräften mit Qualifikationsart 𝑟 ∗ (𝑟)
Ein Modellzu
𝑓 ∶= Anzahl der in Periode 𝑡 zu entlassenden Arbeitskräfte der

Qualifikationsart 𝑟
ℎ ∶= Anzahl der in Periode 𝑡 einzustellenden Arbeitskräfte der

Qualifikationsart 𝑟
𝑃𝐴 ∶= (Personal-) Ausstattung mit Arbeitskräften der Qualifikationsart 𝑟 in

Periode 𝑡
𝑃𝐸 ∶= (Personal-) Einsatz von Arbeitskräften der Qualifikationsart 𝑟 zur

Erledigung von Tätigkeiten der Art 𝑞 in Periode 𝑡
𝑃𝐸(𝑆) , ∗ ∶= Anzahl der Arbeitskräfte mit Qualifikationsart 𝑟, die in Periode 𝑡 eine

Weiterbildung zu Arbeitskräften mit Qualifikationsart 𝑟 ∗ beginnen
𝑃𝐸(𝑆) , ∶= Anzahl der Arbeitskräfte mit Qualifikationsart 𝑟 , die in Periode 𝑡 eine

Weiterbildung zu Arbeitskräften mit Qualifikationsart 𝑟 beginnen
Abstimmungsansatz:
𝑃𝐵 ≤ 𝑃𝐸 ∀ 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇
∈
a) Junior und Senior Consultants
𝑃𝐸 + 𝑃𝐸(𝑆) , ∗ ≤ 𝑃𝐴 ∀ 𝑟 ∈ 𝑅\{𝑟 = 7}, 𝑡 ∈ 𝑇

∈ ∗∈ ∗ ∗
b) Partner
𝑃𝐸 ≤ 𝑃𝐴 ∀𝑡∈𝑇
∈
a) Junior Consultants
∗
𝑃𝐴 = 𝑃𝐴 +ℎ −𝑓 − (1 − 𝛼 , ∗ ) ∙ 𝑃𝐸(𝑆) , ∗ ∀ 𝑟 ∈ 𝑅\{𝑟 = 5,6,7}, 𝑡 ∈ 𝑇
∗∈ ∗
b) Senior Consultants
𝑃𝐴 = 𝑃𝐴 −𝑓 +
∗
+ 1−𝛼 , ∙ 𝑃𝐸(𝑆) ,
− 1−𝛼 , ∗ ∙ 𝑃𝐸(𝑆) , ∗ ∀ 𝑟 ∈ {𝑟 = 5,6}, 𝑡 ∈ 𝑇
∗∈ ∗
∈
c) Partner
𝑃𝐴 = 𝑃𝐴 −𝑓 −𝛽 + 1−𝛼 , 𝑃𝐸(𝑆) ,
∀𝑡 ∈𝑇
∈
(4) Entlassungsobergrenze:
𝑓 ≤𝛾 ∙ 𝑃𝐴 ∀𝑡 ∈𝑇
∈ ∈
(5) Einstellungsobergrenze für Junior Consultants:
ℎ ≤𝐻 ∀ 𝑟 ∈ 𝑅\{𝑟 = 5,6,7}, 𝑡 ∈ 𝑇
∗
𝑓 , ℎ , 𝑃𝐴 , 𝑃𝐸 , 𝑃𝐸(𝑆) , ∗ , 𝑃𝐸(𝑆) , ≥0 ∀ relevanten 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅, 𝑟 ∗ ∈ 𝑅 , 𝑟 ∈ 𝑅
b.
Das Tableau der Schulungsmöglichkeiten mit den Indexmengen 𝑅∗ und 𝑅 sowie den Schu-
∗
lungsdauern 𝜏 (𝜏 ) und Abbruchquoten 𝛼 , ∗ (𝛼 , ) ist in der folgenden Tabelle 18.20 dar-
gestellt:
Ein Modellzu
Tabelle 18.20 Tableau der Schulungsmöglichkeiten
𝑟∗ = 5 𝑟∗ = 6 𝑟∗ = 7 𝑅∗
𝜏 =2
𝑟=1 - - 𝑅 ∗ = {5}
𝛼 , = 0,1
𝜏 =3
𝑟=2 - - 𝑅 ∗ = {6}
𝛼 , = 0,2
𝜏 =2 𝜏 =3
𝑟=3 - 𝑅∗ = {5,6}
𝛼 , = 0,1 𝛼 , = 0,2
𝜏 =3
𝑟=4 - - 𝑅 ∗ = {6}
𝛼 , = 0,2
𝜏 =3
𝑟=5 - - 𝑅 ∗ = {7}
𝛼 , = 0,5
𝜏 =3
𝑟=6 - - 𝑅 ∗ = {7}
𝛼 , = 0,5
𝑅 𝑅 = {1,3} 𝑅 = {2,3,4} 𝑅 = {5, 6}
Zielfunktion:
𝐺𝐾 ∙ 𝑃𝐴 + 𝐹𝐾 ∙ 𝑓 + 𝑆𝐾 , ∗ ∙ 𝑃𝐸(𝑆) , ∗ + 𝐻𝐾 ∙ ℎ → min!
∗∈ ∗
∈ ∈
𝑡=1
50 ∙ 𝑃𝐴 + 50 ∙ 𝑃𝐴 + 50 ∙ 𝑃𝐴 + 50 ∙ 𝑃𝐴 + 75 ∙ 𝑃𝐴 + 75 ∙ 𝑃𝐴 + 150 ∙ 𝑃𝐴 +
10 ∙ 𝑓 + 10 ∙ 𝑓 + 10 ∙ 𝑓 + 10 ∙ 𝑓 + 20 ∙ 𝑓 + 20 ∙ 𝑓 + 50 ∙ 𝑓 +
15 ∙ 𝑃𝐸(𝑆) , + 25 ∙ 𝑃𝐸(𝑆) , + 15 ∙ 𝑃𝐸(𝑆) , + 25 ∙ 𝑃𝐸(𝑆) , + 25 ∙ 𝑃𝐸(𝑆) , +
50 ∙ 𝑃𝐸(𝑆) , + 50 ∙ 𝑃𝐸(𝑆) , +
5∙ℎ +5∙ℎ +5∙ℎ +5∙ℎ +
𝑡=2
50 ∙ 𝑃𝐴 + 50 ∙ 𝑃𝐴 + 50 ∙ 𝑃𝐴 + 50 ∙ 𝑃𝐴 + 75 ∙ 𝑃𝐴 + 75 ∙ 𝑃𝐴 + 150 ∙ 𝑃𝐴 +
10 ∙ 𝑓 + 10 ∙ 𝑓 + 10 ∙ 𝑓 + 10 ∙ 𝑓 + 20 ∙ 𝑓 + 20 ∙ 𝑓 + 50 ∙ 𝑓 +

50 ∙ 𝑃𝐸(𝑆) , + 50 ∙ 𝑃𝐸(𝑆) , +
5∙ℎ +5∙ℎ +5∙ℎ +5∙ℎ +
𝑡=3
50 ∙ 𝑃𝐴 + 50 ∙ 𝑃𝐴 + 50 ∙ 𝑃𝐴 + 50 ∙ 𝑃𝐴 + 75 ∙ 𝑃𝐴 + 75 ∙ 𝑃𝐴 + 150 ∙ 𝑃𝐴 +
10 ∙ 𝑓 + 10 ∙ 𝑓 + 10 ∙ 𝑓 + 10 ∙ 𝑓 + 20 ∙ 𝑓 + 20 ∙ 𝑓 + 50 ∙ 𝑓 +
50 ∙ 𝑃𝐸(𝑆) , + 50 ∙ 𝑃𝐸(𝑆) , +
5∙ℎ +5∙ℎ +5∙ℎ +5∙ℎ +
𝑡=4
50 ∙ 𝑃𝐴 + 50 ∙ 𝑃𝐴 + 50 ∙ 𝑃𝐴 + 50 ∙ 𝑃𝐴 + 75 ∙ 𝑃𝐴 + 75 ∙ 𝑃𝐴 + 150 ∙ 𝑃𝐴 +
10 ∙ 𝑓 + 10 ∙ 𝑓 + 10 ∙ 𝑓 + 10 ∙ 𝑓 + 20 ∙ 𝑓 + 20 ∙ 𝑓 + 50 ∙ 𝑓 +
50 ∙ 𝑃𝐸(𝑆) , + 50 ∙ 𝑃𝐸(𝑆) , +
5∙ℎ +5∙ℎ +5∙ℎ +5∙ℎ +
𝑡=5
50 ∙ 𝑃𝐴 + 50 ∙ 𝑃𝐴 + 50 ∙ 𝑃𝐴 + 50 ∙ 𝑃𝐴 + 75 ∙ 𝑃𝐴 + 75 ∙ 𝑃𝐴 + 150 ∙ 𝑃𝐴 +
10 ∙ 𝑓 + 10 ∙ 𝑓 + 10 ∙ 𝑓 + 10 ∙ 𝑓 + 20 ∙ 𝑓 + 20 ∙ 𝑓 + 50 ∙ 𝑓 +
50 ∙ 𝑃𝐸(𝑆) , + 50 ∙ 𝑃𝐸(𝑆) , +
5∙ℎ +5∙ℎ +5∙ℎ +5∙ℎ +
𝑡=6
50 ∙ 𝑃𝐴 + 50 ∙ 𝑃𝐴 + 50 ∙ 𝑃𝐴 + 50 ∙ 𝑃𝐴 + 75 ∙ 𝑃𝐴 + 75 ∙ 𝑃𝐴 + 150 ∙ 𝑃𝐴 +
10 ∙ 𝑓 + 10 ∙ 𝑓 + 10 ∙ 𝑓 + 10 ∙ 𝑓 + 20 ∙ 𝑓 + 20 ∙ 𝑓 + 50 ∙ 𝑓 +
50 ∙ 𝑃𝐸(𝑆) , + 50 ∙ 𝑃𝐸(𝑆) , +
5 ∙ ℎ + 5 ∙ ℎ + 5 ∙ ℎ + 5 ∙ ℎ → min!
Ein Modellzu
u.d.N.:
𝑃𝐵 ≤ 𝑃𝐸 ∀ 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇
∈
𝑡=1 𝑡=2
𝑃𝐵 = 11 ≤ 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 𝑃𝐵 = 11 ≤ 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸
𝑃𝐵 = 2 ≤ 𝑃𝐸 𝑃𝐵 = 2 ≤ 𝑃𝐸
𝑡=3 𝑡=4
𝑃𝐵 = 2 ≤ 𝑃𝐸 𝑃𝐵 = 2 ≤ 𝑃𝐸
𝑡=5 𝑡=6
𝑃𝐵 = 2 ≤ 𝑃𝐸 𝑃𝐵 = 2 ≤ 𝑃𝐸
a) Junior und Senior Consultants
𝑃𝐸 + 𝑃𝐸(𝑆) , ∗ ≤ 𝑃𝐴 𝑟 ∈ 𝑅\{𝑟 = 7}, 𝑡 ∈ 𝑇

∈ ∗∈ ∗ ∗
𝑡=1
𝑃𝐸 + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴
𝑃𝐸 + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴
𝑡=2
𝑃𝐸 + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴
𝑃𝐸 + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴
𝑃𝐸 + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴
𝑃𝐸 + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴
𝑡=3
𝑃𝐸 + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴
𝑃𝐸 + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴
𝑃𝐸 + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴
𝑃𝐸 + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴
𝑡=4
𝑃𝐸 + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴
𝑃𝐸 + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴
𝑃𝐸 + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴

Ein Modellzu
𝑡=5
𝑃𝐸 + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴
𝑃𝐸 + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴
𝑃𝐸 + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴
𝑡=6
𝑃𝐸 + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴
𝑃𝐸 + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴
𝑃𝐸 + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴
b) Partner
𝑃𝐸 ≤ 𝑃𝐴 ∀𝑡∈𝑇
∈
𝑡=1 𝑡=2
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 ≤ 𝑃𝐴
𝑡=3 𝑡=4
𝑡=5 𝑡=6
a) Junior Consultants
∗
𝑃𝐴 = 𝑃𝐴 +ℎ −𝑓 − (1 − 𝛼 , ∗ ) ∙ 𝑃𝐸(𝑆) , ∗ ∀ 𝑟 ∈ 𝑅\{𝑟 = 5,6,7}, 𝑡 ∈ 𝑇
∗∈ ∗
𝑡=1 𝑡=2
𝑃𝐴 = 10 + ℎ − 𝑓 𝑃𝐴 = 𝑃𝐴 + ℎ − 𝑓
𝑃𝐴 = 10 + ℎ − 𝑓 𝑃𝐴 = 𝑃𝐴 + ℎ − 𝑓
𝑃𝐴 = 10 + ℎ − 𝑓 𝑃𝐴 = 𝑃𝐴 + ℎ − 𝑓
𝑃𝐴 = 10 + ℎ − 𝑓 𝑃𝐴 = 𝑃𝐴 + ℎ − 𝑓
𝑡=3
𝑃𝐴 = 𝑃𝐴 + ℎ − 𝑓 − 0,9 ∙ 𝑃𝐸(𝑆) ,
𝑃𝐴 = 𝑃𝐴 + ℎ − 𝑓
𝑃𝐴 = 𝑃𝐴 + ℎ − 𝑓 − 0,9 ∙ 𝑃𝐸(𝑆) ,
𝑃𝐴 = 𝑃𝐴 + ℎ − 𝑓
𝑡=4
𝑃𝐴 = 𝑃𝐴 + ℎ − 𝑓 − 0,9 ∙ 𝑃𝐸(𝑆) ,
𝑃𝐴 = 𝑃𝐴 + ℎ − 𝑓 − 0,8 ∙ 𝑃𝐸(𝑆) ,
𝑃𝐴 = 𝑃𝐴 + ℎ − 𝑓 − 0,9 ∙ 𝑃𝐸(𝑆) , − 0,8 ∙ 𝑃𝐸(𝑆) ,
𝑃𝐴 = 𝑃𝐴 + ℎ − 𝑓 − 0,8 ∙ 𝑃𝐸(𝑆) ,
𝑡=5
𝑃𝐴 = 𝑃𝐴 + ℎ − 𝑓 − 0,9 ∙ 𝑃𝐸(𝑆) ,
𝑃𝐴 = 𝑃𝐴 + ℎ − 𝑓 − 0,8 ∙ 𝑃𝐸(𝑆) ,
𝑃𝐴 = 𝑃𝐴 + ℎ − 𝑓 − 0,9 ∙ 𝑃𝐸(𝑆) , − 0,8 ∙ 𝑃𝐸(𝑆) ,
𝑃𝐴 = 𝑃𝐴 + ℎ − 𝑓 − 0,8 ∙ 𝑃𝐸(𝑆) ,
𝑡=6
𝑃𝐴 = 𝑃𝐴 + ℎ − 𝑓 − 0,9 ∙ 𝑃𝐸(𝑆) ,
𝑃𝐴 = 𝑃𝐴 + ℎ − 𝑓 − 0,8 ∙ 𝑃𝐸(𝑆) ,
Ein Modellzu
𝑃𝐴 = 𝑃𝐴 + ℎ − 𝑓 − 0,9 ∙ 𝑃𝐸(𝑆) , − 0,8 ∙ 𝑃𝐸(𝑆) ,
𝑃𝐴 = 𝑃𝐴 + ℎ − 𝑓 − 0,8 ∙ 𝑃𝐸(𝑆) ,
b) Senior Consultants
𝑃𝐴 = 𝑃𝐴 −𝑓 +
∗
+ 1−𝛼 , ∙ 𝑃𝐸(𝑆) ,
− 1−𝛼 , ∗ ∙ 𝑃𝐸(𝑆) , ∗ ∀ 𝑟 ∈ {𝑟 = 5,6}, 𝑡 ∈ 𝑇
∗∈ ∗
∈
𝑡=1 𝑡=2 𝑡=3

𝑃𝐴 = 4 − 𝑓 𝑃𝐴 = 𝑃𝐴 − 𝑓 𝑃𝐴 = 𝑃𝐴 − 𝑓 + 0,9 ∙ 𝑃𝐸(𝑆) , + 0,9 ∙ 𝑃𝐸(𝑆) ,
𝑃𝐴 = 6 − 𝑓 𝑃𝐴 = 𝑃𝐴 − 𝑓 𝑃𝐴 = 𝑃𝐴 − 𝑓
𝑡=4
𝑃𝐴 = 𝑃𝐴 − 𝑓 + 0,9 ∙ 𝑃𝐸(𝑆) , + 0,9 ∙ 𝑃𝐸(𝑆) , − 0,5 ∙ 𝑃𝐸(𝑆) ,
𝑃𝐴 = 𝑃𝐴 − 𝑓 + 0,8 ∙ 𝑃𝐸(𝑆) , + 0,8 ∙ 𝑃𝐸(𝑆) , + 0,8 ∙ 𝑃𝐸(𝑆) , − 0,5 ∙ 𝑃𝐸(𝑆) ,
𝑡=5
𝑃𝐴 = 𝑃𝐴 − 𝑓 + 0,9 ∙ 𝑃𝐸(𝑆) , + 0,9 ∙ 𝑃𝐸(𝑆) , − 0,5 ∙ 𝑃𝐸(𝑆) ,
𝑡=6
𝑃𝐴 = 𝑃𝐴 − 𝑓 + 0,9 ∙ 𝑃𝐸(𝑆) , + 0,9 ∙ 𝑃𝐸(𝑆) , − 0,5 ∙ 𝑃𝐸(𝑆) ,
c) Partner
𝑃𝐴 = 𝑃𝐴 −𝑓 −𝛽 + 1−𝛼 , 𝑃𝐸(𝑆) ,
∀𝑡 ∈𝑇
∈
𝑡=1 𝑡=2 𝑡=3

𝑃𝐴 = 2 − 𝑓 𝑃𝐴 = 𝑃𝐴 − 𝑓 𝑃𝐴 = 𝑃𝐴 − 𝑓
𝑡=4
𝑃𝐴 = 𝑃𝐴 − 𝑓 − 1 + 0,5 ∙ 𝑃𝐸(𝑆) , + 0,5 ∙ 𝑃𝐸(𝑆) ,
𝑡=5
𝑃𝐴 = 𝑃𝐴 − 𝑓 + 0,5 ∙ 𝑃𝐸(𝑆) , + 0,5 ∙ 𝑃𝐸(𝑆) ,

𝑡=6
𝑃𝐴 = 𝑃𝐴 − 𝑓 − 1 + 0,5 ∙ 𝑃𝐸(𝑆) , + 0,5 ∙ 𝑃𝐸(𝑆) ,
(4) Entlassungsobergrenze:
𝑓 ≤𝛾 ∙ 𝑃𝐴 ∀𝑡 ∈𝑇
∈ ∈
𝑡=1
𝑓 + 𝑓 + 𝑓 + 𝑓 + 𝑓 + 𝑓 ≤ 0,05 ∙ (𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 )
𝑡=2
𝑡=3
𝑡=4
𝑡=5
𝑡=6
(5) Einstellungsobergrenze für Junior Consultants:
ℎ ≤𝐻 ∀ 𝑟 ∈ 𝑅\{𝑟 = 5,6,7}, 𝑡 ∈ 𝑇
𝑡=1 𝑡=2 𝑡=3 𝑡=4 𝑡=5 𝑡=6

ℎ ≤2 ℎ ≤2 ℎ ≤2 ℎ ≤2 ℎ ≤2 ℎ ≤2
ℎ ≤2 ℎ ≤2 ℎ ≤2 ℎ ≤2 ℎ ≤2 ℎ ≤2
ℎ ≤2 ℎ ≤2 ℎ ≤2 ℎ ≤2 ℎ ≤2 ℎ ≤2
ℎ ≤2 ℎ ≤2 ℎ ≤2 ℎ ≤2 ℎ ≤2 ℎ ≤2
∗
𝑓 , ℎ , 𝑃𝐴 , 𝑃𝐸 , 𝑃𝐸(𝑆) , ∗ , 𝑃𝐸(𝑆) , ≥0 ∀ relevanten 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇, 𝑟 ∈ 𝑅, 𝑟 ∗ ∈ 𝑅 , 𝑟 ∈ 𝑅
Ein Modellzu
Alle in diesem Ansatz verwendeten Personaleinsatz-, Personalausstattungs-, Einstellungs-

Ermittlung der Deckungsbeiträge 𝐷𝐵 für die beiden Produktarten 𝑘:
𝐷𝐵 = 20€ − 8€ = 12€
𝐷𝐵 = 50€ − 28€ = 22€
Zielfunktion:
𝐷𝐵 ∙ 𝑥 → max!
12 ∙ 𝑥 + 22 ∙ 𝑥 → max!
u.d.N.:
(1) Produktionsober- und -untergrenzen:
a) für Produkte 𝑘
𝑥 ≤𝑋 ∀𝑘 ∈𝐾
𝑥 ≤ 5.000
𝑥 ≤ 3.500
b) für Verhältnis Einzel- und Gesamtproduktionsmenge:
𝑥 ≤𝑝 ∙ 𝑥 𝑥 ≥𝑝 ∙ 𝑥
𝑥 ≤ 0,35 ∙ (𝑥 + 𝑥 ) 𝑥 ≥ 0,2 ∙ (𝑥 + 𝑥 )
𝑎 ∙𝑥
= 𝑃𝐸 ∀𝑞 ∈ 𝑄
𝑇
∈
1 2
∙𝑥 + ∙ 𝑥 = 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸
480 480
1 1
∙𝑥 + ∙ 𝑥 = 𝑃𝐸
960 480
2 3
∙𝑥 + ∙ 𝑥 = 𝑃𝐸 + 𝑃𝐸
480 480
1
𝑃𝐸 ≤ 𝑃𝐴 + ∙ 𝑃𝐴 ∀𝑟 ∈𝑅
2
∈
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 ≤ 20
1
𝑃𝐸 + 𝑃𝐸 ≤ 10 + ∙ 10 = 15
2
1
𝑃𝐸 ≤ 5 + ∙ 5 = 7,5
2
𝑃𝐸 , 𝑥 ≥ 0 ∀ relevanten 𝑘 ∈ 𝐾, 𝑞 ∈ 𝑄, 𝑟 ∈ 𝑅
𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑥 , 𝑥 ≥ 0
a.
Zielfunktion:
180𝑥 + 480𝑥 → max!
u.d.N.:
(1) Technische Beschränkung für die Abläufe der Prozesse 1 und 2:
(a) 𝑥 ≤4
(b) 𝑥 ≤4
(2) Zwischenprodukt:
8 ∙ 12𝑥 ≤ 8 ∙ 6𝑥 → 𝑥 ≤ 0,5𝑥
(3) Beschränkung Glasgranulat:
3 ∙ 6𝑥 ≤ 90 → 𝑥 ≤ 5
(4) Abstimmung Personalbedarf und Personalausstattung:
(a) 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 → 4𝑥 ≤ 20 →𝑥 ≤5
(b) 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 → 2𝑥 ≤ 16 →𝑥 ≤8
Ein Modellzu
(c) 𝑃𝐵 ≤ 𝑃𝐴 → 2𝑥 + 2𝑥 ≤ 8 →𝑥 ≤4−𝑥
(d) 𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 → 4𝑥 + 2𝑥 ≤ 28 → 𝑥 ≤ 14 − 2𝑥
(e) 𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 → 6𝑥 + 2𝑥 ≤ 20 → 𝑥 ≤ 10 − 3𝑥
(f) 𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 → 2𝑥 + 4𝑥 ≤ 16 → 𝑥 ≤ 4 − 0,5𝑥
(g) 𝑃𝐵 + 𝑃𝐵 + 𝑃𝐵 ≤ 𝑃𝐴 + 𝑃𝐴 + 𝑃𝐴 → 6𝑥 + 4𝑥 ≤ 28 → 𝑥 ≤ 7 − 1,5𝑥
(5) Nichtnegativitäts- und Ganzzahligkeitsbedingungen: 𝑥 , 𝑥 ∈ ℕ
b.
Abbildung 18.18 Grafische Lösung
𝑥
(1a) (3) und (4a)
(4d)
(4e)
(4b)
(2)
(4g)
(1b)
(4c)
(4f)
𝑥
Der Lösungsraum dieses Problems ergibt sich, indem wir alle ganzzahligen Kombinationen
von 𝑥 und 𝑥 (schwarze Punkte in Abbildung 18.18) im grau markierten Bereich der Abbil-
dung 18.18 bestimmen. Durch Einzeichnen der Zielfunktion für einen beliebigen Zielfunkti-
onswert und entsprechende Parallelverschiebung der sich ergebenen Geraden können wir
sodann die optimale Anzahl an parallelen Durchläufen von Prozess 1 bzw. 2 als 𝑥 = 3 und
𝑥 = 1 bestimmen.
Obwohl der Zielfunktionskoeffizient von 𝑥 weniger zur Zielerreichung beiträgt als der Ziel-
funktionskoeffizient von 𝑥 , wird Prozess 1 öfter durchgeführt als Prozess 2. Dies ist vor dem
Hintergrund der relativen Prozessbeschränkungen jedoch leicht einsehbar.
Zielfunktion:
𝐷𝐵 ∙ 𝑥 − 𝑆𝐾 , ∗ ∙ 𝑃𝐸(𝑆) , ∗ → max!
∗∈ ∗
500 ∙ 𝑥 + 750 ∙ 𝑥 + 300 ∙ 𝑥 + 2.000 ∙ 𝑥 − 250 ∙ 𝑃𝐸(𝑆) , +
500 ∙ 𝑥 + 750 ∙ 𝑥 + 300 ∙ 𝑥 + 2.000 ∙ 𝑥 − 250 ∙ 𝑃𝐸(𝑆) , +
500 ∙ 𝑥 + 750 ∙ 𝑥 + 300 ∙ 𝑥 + 2.000 ∙ 𝑥 − 250 ∙ 𝑃𝐸(𝑆) , +
500 ∙ 𝑥 + 750 ∙ 𝑥 + 300 ∙ 𝑥 + 2.000 ∙ 𝑥 − 250 ∙ 𝑃𝐸(𝑆) , → max!
u.d.N.:
(1) Produktionsobergrenze für 𝑘 = 4:

,
𝑥 ≤𝑋 ∀𝑡 ∈𝑇
𝑥 ≤2 𝑥 ≤2 𝑥 ≤2 𝑥 ≤2
𝑎 ∙𝑥 = 𝑃𝐸 ∀ 𝑞 ∈ 𝑄, 𝑡 ∈ 𝑇
∈
𝑡=1
1 ∙ 𝑥 = 𝑃𝐸 + 𝑃𝐸
2 ∙ 𝑥 = 𝑃𝐸
1 ∙ 𝑥 + 1 ∙ 𝑥 + 1 ∙ 𝑥 + 1 ∙ 𝑥 = 𝑃𝐸 + 𝑃𝐸
1 ∙ 𝑥 + 2 ∙ 𝑥 + 1 ∙ 𝑥 + 1 ∙ 𝑥 = 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸
Ein Modellzuzur
1 ∙ 𝑥 = 𝑃𝐸
𝑡=2
1 ∙ 𝑥 = 𝑃𝐸 + 𝑃𝐸
2 ∙ 𝑥 = 𝑃𝐸
1 ∙ 𝑥 + 1 ∙ 𝑥 + 1 ∙ 𝑥 + 1 ∙ 𝑥 = 𝑃𝐸 + 𝑃𝐸
1 ∙ 𝑥 + 2 ∙ 𝑥 + 1 ∙ 𝑥 + 1 ∙ 𝑥 = 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸
1 ∙ 𝑥 = 𝑃𝐸
𝑡=3
1 ∙ 𝑥 = 𝑃𝐸 + 𝑃𝐸
2 ∙ 𝑥 = 𝑃𝐸
1 ∙ 𝑥 + 1 ∙ 𝑥 + 1 ∙ 𝑥 + 1 ∙ 𝑥 = 𝑃𝐸 + 𝑃𝐸
1 ∙ 𝑥 + 2 ∙ 𝑥 + 1 ∙ 𝑥 + 1 ∙ 𝑥 = 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸
1 ∙ 𝑥 = 𝑃𝐸
𝑡=4
1 ∙ 𝑥 = 𝑃𝐸 + 𝑃𝐸
2 ∙ 𝑥 = 𝑃𝐸
1 ∙ 𝑥 + 1 ∙ 𝑥 + 1 ∙ 𝑥 + 1 ∙ 𝑥 = 𝑃𝐸 + 𝑃𝐸
1 ∙ 𝑥 + 2 ∙ 𝑥 + 1 ∙ 𝑥 + 1 ∙ 𝑥 = 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸
1 ∙ 𝑥 = 𝑃𝐸
𝑃𝐸 + 𝑃𝐸(𝑆) , ∗ ≤ 𝑃𝐴 ∀ 𝑟 ∈ {1,4}, 𝑡 ∈ 𝑇
∈ ∗∈ ∗ ∗
𝑃𝐸 ≤ 𝑃𝐴 ∀ 𝑟 ∈ {2,3}, 𝑡 ∈ 𝑇
∈
𝑡=1 𝑡=2
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 ≤4 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 ≤4
𝑃𝐸 + 𝑃𝐸 ≤ 16 𝑃𝐸 + 𝑃𝐸 ≤ 16
𝑡=3 𝑡=4
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸(𝑆) , ≤ 𝑃𝐴
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 ≤4 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 ≤4
𝑃𝐸 + 𝑃𝐸 ≤ 16 𝑃𝐸 + 𝑃𝐸 ≤ 16
(4) Fortschreibung der Personalausstattung für 𝑟 = 1 und 𝑟 = 4:
𝑃𝐴 = 𝑃𝐴 − 𝑃𝐸(𝑆) , ∀𝑡 ∈𝑇
𝑃𝐴 = 𝑃𝐴 + 𝑃𝐸(𝑆) , ∀𝑡 ∈𝑇
𝑡=1 𝑡=2
𝑃𝐴 = 5 𝑃𝐴 = 𝑃𝐴 − 𝑃𝐸(𝑆) ,
𝑃𝐴 = 0 𝑃𝐴 = 𝑃𝐴 + 𝑃𝐸(𝑆) ,
𝑡=3 𝑡=4
𝑃𝐴 = 𝑃𝐴 − 𝑃𝐸(𝑆) , 𝑃𝐴 = 𝑃𝐴 − 𝑃𝐸(𝑆) ,
𝑃𝐴 = 𝑃𝐴 + 𝑃𝐸(𝑆) , 𝑃𝐴 = 𝑃𝐴 + 𝑃𝐸(𝑆) ,
∗
𝑃𝐸(𝑆) , ∗ , 𝑃𝐸 , 𝑃𝐴 , 𝑥 ≥ 0 ∀ relevanten 𝑘 ∈ 𝐾, 𝑞 ∈ 𝑄, 𝑟 ∈ 𝑅, 𝑟 ∗ ∈ 𝑅
Alle in diesem Ansatz verwendeten Personaleinsatz- und Personalausstattungsvariablen so-

wie die Variablen zur Bestimmung der Anzahl durchzuführender Trips der Art 𝑘 müssen
größer oder gleich Null sein.
Zielfunktion:
𝐿𝐾 ∙ 𝑚 , + 𝐻𝐾 ∙ ℎ + 𝐺𝐾 ∙ 𝑃𝑁𝐸 + 𝑃𝑁𝐸 +
Ein Modellzu
1,1 ∙ 𝐺𝐾 ∙ (𝑃𝐸 , + 𝑃𝐸 , ) → min!

∈
𝑡=1
25 ∙ 𝑚 , + 10 ∙ 𝑚 , + 25 ∙ 𝑚 , + 500 ∙ ℎ + 500 ∙ ℎ + 200 ∙ ℎ +
2.500 ∙ 𝑃𝑁𝐸 + 𝑃𝑁𝐸 + 2.500 ∙ 𝑃𝑁𝐸 + 𝑃𝑁𝐸 + 2.200 ∙ 𝑃𝑁𝐸 + 𝑃𝑁𝐸 +
1,1 ∙ 2.500 ∙ 𝑃𝐸 , + 𝑃𝐸 , + 1,1 ∙ 2.500 ∙ 𝑃𝐸 , + 𝑃𝐸 , +
1,1 ∙ 2.500 ∙ 𝑃𝐸 , + 𝑃𝐸 , + 1,1 ∙ 2.500 ∙ 𝑃𝐸 , + 𝑃𝐸 , +
1,1 ∙ 2.200 ∙ 𝑃𝐸 , + 𝑃𝐸 , +
𝑡=2
25 ∙ 𝑚 , + 10 ∙ 𝑚 , + 25 ∙ 𝑚 , + 500 ∙ ℎ + 500 ∙ ℎ + 200 ∙ ℎ +
1,1 ∙ 2.500 ∙ 𝑃𝐸 , + 𝑃𝐸 , + 1,1 ∙ 2.500 ∙ 𝑃𝐸 , + 𝑃𝐸 , +
1,1 ∙ 2.500 ∙ 𝑃𝐸 , + 𝑃𝐸 , + 1,1 ∙ 2.500 ∙ 𝑃𝐸 , + 𝑃𝐸 , +
1,1 ∙ 2.200 ∙ 𝑃𝐸 , + 𝑃𝐸 , +
𝑡=3
25 ∙ 𝑚 , + 10 ∙ 𝑚 , + 25 ∙ 𝑚 , + 500 ∙ ℎ + 500 ∙ ℎ + 200 ∙ ℎ +
1,1 ∙ 2.500 ∙ 𝑃𝐸 , + 𝑃𝐸 , + 1,1 ∙ 2.500 ∙ 𝑃𝐸 , + 𝑃𝐸 , +
1,1 ∙ 2.500 ∙ 𝑃𝐸 , + 𝑃𝐸 , + 1,1 ∙ 2.500 ∙ 𝑃𝐸 , + 𝑃𝐸 , +
1,1 ∙ 2.200 ∙ 𝑃𝐸 , + 𝑃𝐸 , +
𝑡=4
25 ∙ 𝑚 , + 10 ∙ 𝑚 , + 25 ∙ 𝑚 , + 500 ∙ ℎ + 500 ∙ ℎ + 200 ∙ ℎ +
1,1 ∙ 2.500 ∙ 𝑃𝐸 , + 𝑃𝐸 , + 1,1 ∙ 2.500 ∙ 𝑃𝐸 , + 𝑃𝐸 , +
1,1 ∙ 2.500 ∙ 𝑃𝐸 , + 𝑃𝐸 , + 1,1 ∙ 2.500 ∙ 𝑃𝐸 , + 𝑃𝐸 , +
1,1 ∙ 2.200 ∙ 𝑃𝐸 , + 𝑃𝐸 , → min!

u.d.N.:
(1) Lagerbestandfortschreibungen:
𝑚, =𝑚, +𝑝 , −𝑙 ∀ 𝑗 ∈ 𝐽, 𝑡 ∈ 𝑇
𝑡=1 𝑡=2
𝑚 , = 30 + 𝑝 , − 75 𝑚 , =𝑚 , +𝑝 , − 125
𝑚 , = 20 + 𝑝 , − 25 𝑚 , =𝑚 , +𝑝 , − 50
𝑚 , = 35 + 𝑝 , − 120 𝑚 , =𝑚 , +𝑝 , − 85
𝑡=3 𝑡=4
𝑚 , =𝑚 , +𝑝 , − 100 𝑚 , = 10 = 𝑚 , +𝑝 , − 85
𝑚 , =𝑚 , +𝑝 , − 10 𝑚 , = 10 = 𝑚 , +𝑝 , − 60
𝑚 , =𝑚 , +𝑝 , − 150 𝑚 , = 10 = 𝑚 , +𝑝 , − 50
(2) Abstimmung Produktionsmenge und Personaleinsatz:
𝑝 , = 𝑎 ∙ 𝑃𝐸 , + 0,5 ∙ 𝑎 ∙ 𝑃𝐸 , ∀ 𝑗 ∈ 𝐽, 𝑡 ∈ 𝑇
∈
𝑡=1
𝑝 , = 5 ∙ 𝑃𝐸 , + 0,5 ∙ 5 ∙ 𝑃𝐸 ,
𝑝 , = 6 ∙ 𝑃𝐸 , + 0,5 ∙ 6 ∙ 𝑃𝐸 , + 6 ∙ 𝑃𝐸 , + 0,5 ∙ 6 ∙ 𝑃𝐸 , + 8 ∙ 𝑃𝐸 , + 0,5 ∙ 8 ∙ 𝑃𝐸 ,
𝑝 , = 4 ∙ 𝑃𝐸 , + 0,5 ∙ 4 ∙ 𝑃𝐸 ,
𝑡=2
𝑝 , = 5 ∙ 𝑃𝐸 , + 0,5 ∙ 5 ∙ 𝑃𝐸 ,
𝑝 , = 6 ∙ 𝑃𝐸 , + 0,5 ∙ 6 ∙ 𝑃𝐸 , + 6 ∙ 𝑃𝐸 , + 0,5 ∙ 6 ∙ 𝑃𝐸 , + 8 ∙ 𝑃𝐸 , + 0,5 ∙ 8 ∙ 𝑃𝐸 ,
𝑝 , = 4 ∙ 𝑃𝐸 , + 0,5 ∙ 4 ∙ 𝑃𝐸 ,
𝑡=3
𝑝 , = 5 ∙ 𝑃𝐸 , + 0,5 ∙ 5 ∙ 𝑃𝐸 ,
𝑝 , = 6 ∙ 𝑃𝐸 , + 0,5 ∙ 6 ∙ 𝑃𝐸 , + 6 ∙ 𝑃𝐸 , + 0,5 ∙ 6 ∙ 𝑃𝐸 , + 8 ∙ 𝑃𝐸 , + 0,5 ∙ 8 ∙ 𝑃𝐸 ,
𝑝 , = 4 ∙ 𝑃𝐸 , + 0,5 ∙ 4 ∙ 𝑃𝐸 ,
Ein
Lösungen
Modellzu
zur
Übungsaufgaben
𝑡=4
𝑝 , = 5 ∙ 𝑃𝐸 , + 0,5 ∙ 5 ∙ 𝑃𝐸 ,
𝑝 , = 6 ∙ 𝑃𝐸 , + 0,5 ∙ 6 ∙ 𝑃𝐸 , + 6 ∙ 𝑃𝐸 , + 0,5 ∙ 6 ∙ 𝑃𝐸 , + 8 ∙ 𝑃𝐸 , + 0,5 ∙ 8 ∙ 𝑃𝐸 ,
𝑝 , = 4 ∙ 𝑃𝐸 , + 0,5 ∙ 4 ∙ 𝑃𝐸 ,
(3) Abstimmung Personal(-nicht)-einsatz und Personalausstattung (voll eingearbeitete Ar-

beitskräfte):
𝑃𝐸 , + 𝑃𝑁𝐸 = 𝑃𝐴 ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇
∈
𝑡=1 𝑡=2
𝑃𝐸 , + 𝑃𝐸 , + 𝑃𝑁𝐸 = 𝑃𝐴 𝑃𝐸 , + 𝑃𝐸 , + 𝑃𝑁𝐸 = 𝑃𝐴
𝑃𝐸 , + 𝑃𝑁𝐸 = 𝑃𝐴 𝑃𝐸 , + 𝑃𝑁𝐸 = 𝑃𝐴
𝑡=3 𝑡=4
𝑃𝐸 , + 𝑃𝑁𝐸 = 𝑃𝐴 𝑃𝐸 , + 𝑃𝑁𝐸 = 𝑃𝐴
(4) Abstimmung Personal (-nicht-) einsatz und Einstellungen:
𝑃𝐸 , + 𝑃𝑁𝐸 = ℎ ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇
∈
𝑡=1 𝑡=2
𝑃𝐸 , + 𝑃𝐸 , + 𝑃𝑁𝐸 = ℎ 𝑃𝐸 , + 𝑃𝐸 , + 𝑃𝑁𝐸 = ℎ
𝑃𝐸 , + 𝑃𝑁𝐸 = ℎ 𝑃𝐸 , + 𝑃𝑁𝐸 = ℎ
𝑡=3 𝑡=4
𝑃𝐸 , + 𝑃𝑁𝐸 = ℎ 𝑃𝐸 , + 𝑃𝑁𝐸 = ℎ
𝑃𝐴 = 𝑃𝐴 +ℎ ∀ 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇
𝑡=1 𝑡=2
𝑃𝐴 = 7 𝑃𝐴 = 𝑃𝐴 + ℎ
𝑃𝐴 = 12 𝑃𝐴 = 𝑃𝐴 + ℎ
𝑃𝐴 = 2 𝑃𝐴 = 𝑃𝐴 + ℎ
𝑡=3 𝑡=4
𝑃𝐴 = 𝑃𝐴 + ℎ 𝑃𝐴 = 𝑃𝐴 + ℎ
(6) Untergrenzen für Personalausstattungen in 𝑡 = 4:

,
𝑃𝐴 + ℎ ≥ 𝑃𝐴 ∀𝑟 ∈ 𝑅
𝑃𝐴 + ℎ ≥ 10 𝑃𝐴 + ℎ ≥ 15 𝑃𝐴 + ℎ ≥ 5
𝑚 , 𝑝 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐴 , ℎ , 𝑃𝑁𝐸 , 𝑃𝑁𝐸 ≥ 0 ∀ relevanten 𝑗 ∈ 𝐽, 𝑟 ∈ 𝑅, 𝑡 ∈ 𝑇
Alle in diesem Ansatz verwendeten Personal(-nicht)-einsatz-, Personalausstattungs- und

Einstellungsvariablen sowie die Variablen zur Bestimmung der Lager- und Produktionsmen-
gen müssen größer oder gleich Null sein.
Zielfunktion:
j
c0 ∙ 𝑧 → max!
375.000 ∙ 𝑧 + 225.000 ∙ 𝑧 → max!
u.d.N.
(1) Maschinenkapazitäten und Absatzmengen:
𝑎 ∙𝑧 ≤𝐴 ∀𝑘 ∈𝐾
∈
Ein
Lösungen
Modellzu
zur
Übungsaufgaben
5.000 ∙ 𝑧 + 20.000 ∙ 𝑧 ≤ 85.000
3.500 ∙ 𝑧 + 8.000 ∙ 𝑧 ≤ 60.000
2.500 ∙ 𝑧 + 20.000 ∙ 𝑧 ≤ 25.000
(2) Budgetrestriktion:
𝑝 ∙𝑧 ≤𝐵
∈
225.000 ∙ 𝑧 + 165.000 ∙ 𝑧 ≤ 2.500.000
𝑝𝑏 ∙𝑧 = 𝛼 ∙ 1−𝛽 ∙ 𝑃𝐸 ∀𝑞 ∈𝑄
∈ ∈
2𝑧 + 𝑧 = 𝑃𝐸 + 1,1 ∙ 𝑃𝐸 + 0,75 ∙ 0,9 ∙ 𝑃𝐸
𝑧 + 1𝑧 = 1,1 ∙ 𝑃𝐸 + 0,95 ∙ 𝑃𝐸
4𝑧 + 2𝑧 = 0,9 ∙ 0,96 ∙ 𝑃𝐸 + 0,85 ∙ 0,93 ∙ 𝑃𝐸
𝑧 + 3𝑧 = 0,8 ∙ 0,95 ∙ 𝑃𝐸 + 1,1 ∙ 𝑃𝐸 + 1,2 ∙ 𝑃𝐸
∈
𝑃𝐴 = 𝑃𝐴 + (1 − ℎ ) ∙ ℎ − 𝑓 ∀𝑟∈𝑅
𝑃𝐴 = 25 + 0,93 ∙ ℎ − 𝑓 𝑃𝐴 = 25 + 0,95 ∙ ℎ − 𝑓
𝑃𝐴 = 15 + 0,97 ∙ ℎ − 𝑓 𝑃𝐴 = 15 + 0,99 ∙ ℎ − 𝑓
(6) Obergrenzen für Einstellungen und Entlassungen:
ℎ ≤𝐻 ∀𝑟 ∈𝑅
𝑓 ≤𝐹 ∀𝑟 ∈𝑅
ℎ ≤5 ℎ ≤5 ℎ ≤5 ℎ ≤5
𝑓 ≤5 𝑓 ≤5 𝑓 ≤5 𝑓 ≤5
𝑧 , 𝑃𝐸 , 𝑃𝐴 , ℎ , 𝑓 ≥ 0 ∀ relevanten 𝑗 ∈ 𝐽, 𝑞 ∈ 𝑄, 𝑟 ∈ 𝑅
𝑧 , 𝑧 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐴 , 𝑃𝐴 , 𝑃𝐴 , 𝑃𝐴 , ℎ , ℎ , ℎ , ℎ ,
𝑓 ,𝑓 ,𝑓 ,𝑓 ≥ 0
a.
Die folgende Tabelle 18.21 beinhaltet die möglichen Zuordnungen von Arbeitskräften der
Art 𝑟 zu Stellen der Art 𝑖:
Tabelle 18.21 Mögliche Zuordnungen von Arbeitskräften zu Stellen
𝑖=1 𝑖=2 𝑖=3 𝑖=4

𝑟=1 × - × -
𝑟=2 - × × -
𝑟=3 × × × ×
𝑟=4 - × - ×
b.
Zielfunktion:
𝑃𝐾 ∙ 𝑃𝐸 + 𝑆𝐾 ∙ 𝑥 → min!
∈
𝑃𝐾 ∙ 𝑃𝐸 + 𝑃𝐾 ∙ 𝑃𝐸 + 𝑃𝐾 ∙ 𝑃𝐸 + 𝑃𝐾 ∙ 𝑃𝐸 + 𝑃𝐾 ∙ 𝑃𝐸 +
𝑃𝐾 ∙ 𝑃𝐸 + 𝑃𝐾 ∙ 𝑃𝐸 + 𝑃𝐾 ∙ 𝑃𝐸 + 𝑃𝐾 ∙ 𝑃𝐸 + 𝑃𝐾 ∙ 𝑃𝐸 +
𝑆𝐾 ∙ 𝑥 + 𝑆𝐾 ∙ 𝑥 + 𝑆𝐾 ∙ 𝑥 + 𝑆𝐾 ∙ 𝑥 → min!
u.d.N.:
(1) Vollständigkeitsbedingungen:
𝑦 =1 ∀𝑘 ∈𝐾
∈
Ein Modellzu
𝑦 +𝑦 =1 𝑦 +𝑦 =1
𝑦 +𝑦 +𝑦 +𝑦 =1 𝑦 =1
𝑦 +𝑦 +𝑦 =1 𝑦 +𝑦 =1
𝑦 =1
𝑡 ∙𝐴
∙𝑦 ≤ 𝑃𝐸 ∀𝑖 ∈𝐼
𝑇
∈ ∈
0,2 ∙ 1.000 0,5 ∙ 1.750 0,1 ∙ 620 0,4 ∙ 920

∙𝑦 + ∙𝑦 + ∙𝑦 + ∙𝑦 ≤ 𝑃𝐸 + 𝑃𝐸
40 40 40 40
0,9 ∙ 1.750 1,2 ∙ 1.200 2 ∙ 850

∙𝑦 + ∙𝑦 + ∙𝑦 ≤ 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸
40 40 40
0,3 ∙ 1.000 0,7 ∙ 1.750 0,9 ∙ 1.200

∙𝑦 + ∙𝑦 + ∙𝑦 ≤ 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸
40 40 40
0,6 ∙ 1.750 1 ∙ 1.200 0,2 ∙ 500

∙𝑦 + ∙𝑦 + ∙𝑦 +
40 40 40
1,5 ∙ 850 0,6 ∙ 920

∙𝑦 + ∙𝑦 ≤ 𝑃𝐸 + 𝑃𝐸
40 40
(3) Abstimmung Personaleinsatz und Stellenausstattung:
𝑃𝐸 ≤ 𝑥 ∀𝑖 ∈𝐼
∈
𝑃𝐸 + 𝑃𝐸 ≤𝑥 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 ≤𝑥
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 ≤𝑥 𝑃𝐸 + 𝑃𝐸 ≤𝑥
(4) Abstimmung Personaleinsatz und maximale Personalausstattung:
∈
𝑃𝐸 + 𝑃𝐸 ≤ 10 𝑃𝐸 + 𝑃𝐸 ≤ 15
𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 + 𝑃𝐸 ≤8 𝑃𝐸 + 𝑃𝐸 ≤7
(5) Nichtnegativitäts- und Ganzzahligkeitsbedingungen:
𝑃𝐸 , 𝑦 ≥0 ∀ relevanten 𝑖 ∈ 𝐼, 𝑘 ∈ 𝐾, 𝑟 ∈ 𝑅
𝑥 ∈ℕ ∀𝑖 ∈𝐼
𝑦 , 𝑦 , 𝑦 , 𝑦 , 𝑦 , 𝑦 , 𝑦 , 𝑦 , 𝑦 , 𝑦 , 𝑦 , 𝑦 , 𝑦 , 𝑦 , 𝑦 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 ,
𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 , 𝑃𝐸 ≥ 0
𝑥 ,𝑥 ,𝑥 ,𝑥 ∈ ℕ
Literatur
Aarts, E. H. L./Korst, J. H. M./van Laarhoven, P. J. M. (1997): Simulated Annealing. In: Aarts, E. /Lenstra,
J. K. (Hrsg.): Local Search in Combinatorial Optimization, Chichester, S. 91-120.
Adam, D. (1996): Planung und Entscheidung, 4. Aufl., Wiesbaden.
Anderl, R. (2014): Industrie 4.0 - Advanced Engineering of Smart Products and Smart Production. In:
Technological Innovations in the Product Development, 19th International Seminar on High Tech-
nology, Piracicaba [Bra.]. Konferenzbeitrag.
Ansoff, H. I. (1957): Strategies for diversification. In: Harvard Business Review, 35(5), 113-124.
Armbrust, M./Fox, A./Griffith, R./Joseph, A. D./Katz, R./Konwinski, A./Lee, G./Patterson, D./Rabkin,
A./Stoica, I./Zaharia, M. (2010): A view of cloud computing. In: Communications of the ACM, 53 (4),
S. 50-58.
Armengaud, E./Sams, C./von Falck, G./List, G./Kreiner, C./Riel, A. (2017): Industry 4.0 as digitalization
over the entire product lifecycle: Opportunities in the automotive domain. In: Stolfa, J./Stolfa, S./
O'Connor, R. V./Messnarz, R. (Hrsg.): European Conference on Software Process Improvement,
Cham, S. 334-351.
Arntz, M./Gregory, T./Lehmer, F./Matthes, B./Zierahn, U. (2016): Arbeitswelt 4.0 – Stand der Digitalisie-
rung in Deutschland: Dienstleister haben die Nase vorn, IAB Kurzbericht Nr. 22.
Backes-Gellner, U. (1996): Personalwirtschaftslehre – eine ökonomische Disziplin?! In: Weber, W. (Hrsg):
Grundlagen der Personalwirtschaft, Wiesbaden, S. 297-315.
Bandemer, H./Gottwald, S. (1993): Einführung in Fuzzy-Methoden, 4. Aufl., Berlin.
Bauer, H. (1992): Maß- und Integrationstheorie, 2. Aufl., Berlin [u.a.].
Bechtold, S. E. (1981): Work force scheduling for arbitrary cyclic demands. In: Journal of Operations
Management, 1(4), S. 205-214.
Bellman, R. E./Zadeh, L. A. (1970): Decision-making in a Fuzzy Environment. In: Management Science,
17 (4), S. 141-164.
Berg, C. C. (1978): Quantitative Ansätze der Subsystembildung in Organisationen. In: Müller-Merbach,
H. (Hrsg.): Quantitative Ansätze in der Betriebswirtschaftslehre, München, S. 375-385.
Brandstätter, H./Schuler, H./Stocker-Kreichgauer, G. (1978): Psychologie der Person, 2. Aufl., Stuttgart
[u.a.].
Bretzke, W. R. (1980): Der Problembezug von Entscheidungsmodellen, Tübingen.
Bungartz , H. J./Zimmer, S./Buchholz, M./Pflüger, D. (2013): Modellbildung und Simulation – Eine an-
wendungsorientierte Einführung, 2. Aufl., Berlin.
Bürkle, T. (1999): Qualitätsunsicherheit am Arbeitsmarkt – Die Etablierung separierender Gleichge-
wichte in Modellen der simultanen Personal- und Organisationsplanung zur Überwindung der Qua-
litätsunsicherheit, München und Mering.
Campe, J. H. (1809): Wörterbuch der deutschen Sprache, veranstaltet und herausgegeben von Joachim
Heinrich Campe, Braunschweig.
https://doi.org/10.1007/978-3-658-25935-8
418 Literatur
Cantor, G. (1895): Beiträge zur Begründung der transfiniten Mengenlehre. In: Mathematische Annalen,
46(4), S. 481-512.
Charnes, A./Cooper, W. W. (1959): Chance-constrained Programming. In: Management Science, 6(1), S.
73-79.
Charnes, A./Cooper, W. W. (1961): Management Models and Industrial Applications of Linear Program-
ming, New York [NY].
Churchman, C. W./Ackoff, R. L. (1954): An Approximate Measure of Value. In: Journal of the Operations
Research Society of America, 2(2), S. 172-187.
Cleveland, B./Mayben, J./Greff, G. (1998): Call Center Management: Leitfaden für Aufbau, Organisation
und Führung von Teleservicecentern, Wiesbaden.
Corsten, H./Roth, S. (2012): Nachhaltigkeit als integriertes Konzept. In: Corsten, H./Roth, S. (Hrsg.):
Nachhaltigkeit – Unternehmerisches Handeln in globaler Verantwortung, Wiesbaden, S. 1-13.
Daegling, K. D./Hermsen, J. (1973): Die Planung des Personaleinsatzes. In: Der Betrieb, 26(43), S. 2101-
2108.
Dantzig, G. B. (1954): A Comment on Edies’s „Traffic Delays at troll Booths”. In: Journal of the Opera-
tions Research Society of America, 2(3), S. 339-341.
Deutsche MTM-Vereinigung e. V. (2002): MTM – Von Anfang an richtig, Hamburg.
De Werra, D./Hertz, A. (1989): Tabu Search Techniques. In: OR Spektrum, 11(3), S. 131–141.
Deresky, H. (2003): International Management – Managing Across Borders and Cultures, 4. Aufl., Upper
Saddle River [NJ].
Doeringer, P. B./Piore, M. J./Scoville, J. G. (1972): Corporate Manpower Forecasting. In: Burack, E. H./
Walker, J. W. (Hrsg.): Manpower Planning and Programming, Boston, S. 111-120.
Domsch, M. E. (1970): Simultane Personal-und Investitionsplanung im Produktionsbereich, Bielefeld.
Domschke, W./Drexl, A. (2002): Einführung in Operations Research, Berlin [u.a.].
Domschke, W./Drexl, A./Klein, R./Scholl, A. (2015): Einführung in Operations Research, 9. Aufl., Berlin
und Heidelberg.
Domschke, W./Scholl, A. (2006): Heuristische Verfahren, Jenaer Schriften zur Wirtschaftswissenschaft,
08/2006, Jena.
Dowsland, K. A. (1993): Simulated annealing. In: Reeves, C. R. (Hrsg.): Modern heuristic techniques for
combinatorial problems, New York [NY], S. 20-69.
Dubois, D./Prade, H. (1978): Operations on Fuzzy Numbers. In: International Journal of Systems Science,
9(6), S. 613-626.
Dueck, G. (1993): New optimisation heuristics. The great deluge algorithm and record-to-record travel.
In: Journal of Computational Physics, 104(1), S. 86-92.
Dueck, G./Scheuer, T. (1990): Threshold accepting: a general purpose optimization algorithm appearing
superior to simulated annealing. In: Journal of Computational Physics, 90(1), S. 161-175.
Fandel, G. (1972): Optimale Entscheidung bei mehrfacher Zielsetzung, Berlin [u.a.].
Farmer, R. N./Richman, B. M. (1970): Comparative Management and Economic Progress, 2. Aufl., Bloom-
ington [IN].
Ein Modell zur simultanen Investitions- und Personalplanung in Zeiten der Digitalisierung
Literatur 419
Fedrizzi, M./Kacprzyk, J./Roubens, M. (1991): lnteractive Fuzzy Optimization. Berlin [u.a.].

Festing, M./Dowling, P. J./Weber, W./Engle, A. D. (2011): Internationales Personalmanagement, 3. Aufl.,
Wiesbaden.
Flohr, B. (1984): Fungibilität und Elastizität von Personal, Göttingen.
Forrester, J. W. (1961): Industrial Dynamics, Cambridge [Mass].
Fürst, A. (1997): Auftragsfolge- und Personalplanung, München/Mering.
Gischer, H./Spengler, T. (2008): Personalplanung bei demographischem Wandel: Einzel- und gesamt-
wirtschaftliche Aspekte. In: Gischer, H./Reichling, P./Spengler, T./Wenig, A. (Hrsg.): Transformation
in der Ökonomie, Wiesbaden, S. 67-89.
Glover, F. (1989): Tabu Search – Part I. In: ORSA Journal on Computing, 1(3), S. 190-206.
Greubel, S. (2007): Analyse der Unternehmensumwelt im Dienstleistungssektor - Empfehlungen zur Me-
thodenselektion und -erweiterung am Beispiel großer Finanzdienstleistungsunternehmen auf Basis
einer empirischen Untersuchung, München und Mering.
Grimm, J./Grimm, W. (1889): Deutsches Wörterbuch, Bd. 13, Leipzig.
Günther, H.-O. (1989): Produktionsplanung bei flexibler Personalkapazität, Stuttgart.
Habenicht, W./Geiger, M. J. (2006): Nachbarschaftssuche bei mehrkriteriellen Flow Shop Problemen. In:
Morlock, M./Schwindt, C./Trautmann, N./Zimmermann, J. (Hrsg.): Perspectives on Operations Re-
search, Wiesbaden, S. 47-67.
Hackstein, R./Zülch, G. (1980): Untersuchung ausgewählter Eignungsmaße. In: Zeitschrift für Arbeits-
wissenschaft, 34(3), S. 149-157.
Helber, S./Stolletz, R. (2004): Grundlagen und Probleme der Personalbedarfsermittlung in Inbound-Call
Centern. In: Zeitschrift für Betriebswirtschaft (Ergänzungsheft), 74(1), S. 67-88.
Helber, S./Stolletz, R./Bothe, S. (2005): Erfolgszielorientierte Agentenallokation in Inbound Call-Cen-
tern. In: Zeitschrift für betriebswirtschaftliche Forschung, 57(1), S. 3-32.
Hilbert, J. (1990): Die Berücksichtigung von Problemen der Unschärfe bei der simultanen Personal- und
Stellenplanung, Diplomarbeit an der Johann Wolfgang Goethe-Universiät, Frankfurt a.M.
Hillmann, K.-H. (2007): Wörterbuch der Soziologie, 5. Aufl., Stuttgart.
Holtbrügge, D./Welge, M. K. (2015): Internationales Management – Theorien, Funktionen, Fallstudien,
6. Aufl., Stuttgart.
Hurwicz, L. (1951): Optimality criteria for decision making under ignorance, Cowles Commission Dis-
cussion Paper: Statistics, No. 370.
Hwang, C. L./Yoon, K. (1981): Multiple Attribute Decision Making: Methods and Applications: A State-
of-the-Art Survey, Heidelberg.
Inderfurth, K. (1982): Starre und flexible Investitionsplanung, Wiesbaden.
Isermann, H. (1979): Strukturierung von Entscheidungsprozessen bei mehrfacher Zielsetzung. In: OR
Spektrum, 1(1), S. 3-26.
Jaanineh, G./Maijohann M. (1996): Fuzzy-Logik und Fuzzy-Control, Würzburg.
Jarr, K. (1973): Probleme, Grundlagen und Methoden der Personalplanung. In: Wirtschaftsdienst, 8, S.
431-438.
420 Literatur
Jarr, K. (1974): Simultane Produktions- und Personalplanung. In: Zeitschrift für Betriebswirtschaft,
44(10), S. 685-702.
Jarr, K. (1978): Stochastische Personalplanungen, Wiesbaden.
Kahlert, J./Frank, H. (1994): Fuzzy-Logik und Fuzzy-Control: eine anwendungsorientierte Einführung,
2. Aufl., Braunschweig und Wiesbaden.
Kieper, F. (1999): Prozeßorientierte Personalbedarfsplanung in der betrieblichen Praxis. In: Kossbiel, H.
(Hrsg.): Modellgestützte Personalentscheidungen 3, München und Mering, S. 9-27.
Kieper, F./Spengler, T. (2002): Das 3-Säulen-Personalmanagement und Fuzzy-Control. In: Der Control-
ling-Berater: Informationen, Instrumente, Praxisberichte, 3/2002, S. 69 – 88.
Knight, F. H. (1921): Risk, uncertainty, and profit, Boston [MA].
Koch, H. (1980): Neuere Beiträge zur Unternehmensplanung. Wiesbaden.
Kochen, R. (1979): Personalplanung bei Auftragsfertigung, Göttingen.
Kofler, E. (1989): Prognosen und Stabilität bei unvollständiger Information, Frankfurt a. M.
Kofler, E./Menges, G. (1976): Entscheidungen bei unvollständiger Information, Berlin.
Kofler, E./Zweifel, P. (1991): Convolution of fuzzy distributions in decision-making. In: Statistical Papers,
32, S. 123-136.
Kosiol, E. (1966): Die Unternehmung als wirtschaftliches Aktionszentrum: Einführung in die Betriebs-
wirtschaftslehre, Hamburg.
Kossbiel, H. (1970): Die Bestimmung des Personalbedarfs, des Personaleinsatzes und der Personalaus-
stattung als betriebliches Entscheidungsproblem. Unveröffentl. Habilitationsschrift. Kiel.
Kossbiel, H. (1972): Kontrollspanne und Führungskräfteplanung. In: Braun, W. et al. (Hrsg.): Grundfra-
gen der betrieblichen Personalpolitik, Wiesbaden, S. 89-111.
Kossbiel, H. (1974): Probleme und Instrumente der betrieblichen Personalplanung. In: Jacob, H. (Hrsg.):
Schriften zur Unternehmensführung, Bd. 20, Personalplanung, Wiesbaden, S. 5-41.
Kossbiel, H. (1980): Überlegungen zur Verbindung von Stellen- und Personalplanung, Unveröffentlich-
tes Vortragsmanuskript, Hamburg.
Kossbiel, H. (1988): Personalbereitstellung und Personalführung. In: Jacob H. (Hrsg.) Allgemeine Be-
triebswirtschaftslehre, 5. Aufl., Wiesbaden, S. 1045-1253.
Kossbiel, H. (1992): Personalbereitstellungsplanung bei Arbeitszeitflexibilisierung. In: Zeitschrift für Be-
triebswirtschaft, 62, S. 175-198.
Kossbiel, H. (1993): Personalplanung. In: Wittmann, W./Kern, W./Köhler, H. U./Wysocki, K. (Hrsg):
Handwörterbuch der Betriebswirtschaft, 5. Aufl., Stuttgart, Sp. 3127-3140.
Kossbiel, H. (2002): Personalwirtschaft. In: Bea, F. X./Dichtl, E./Schweitzer, M. (Hrsg.): Allgemeine Be-
triebswirtschaftslehre, Bd. 3: Leistungsprozess, 8. Aufl., Stuttgart, S. 467-553.
Kossbiel, H. (2004): Personalstruktur. In: Gaugler, E./Oechsler, A./Weber, W.(Hrsg.): Handwörterbuch
des Personalwesens, Stuttgart, Sp. 1640-1652.
Kossbiel, H./Spengler, T. (1995): Personalplanung für Führungskräfte. In: Kieser, A./Reber, G./Wunde-
rer, R. (Hrsg.): Handwörterbuch der Führung, 2. Aufl., Stuttgart, Sp. 1736-1749.
Kossbiel, H./Spengler, T. (1997): Ökonomisch legitimierbare Personalentscheidungen als Gegenstand
Literatur 421
personalwirtschaftlicher Hochschulausbildung. In: Laske, S./Auer, M. (Hrsg.): Personalwirtschaftli-

che Ausbildung an Hochschulen, Sonderband der Zeitschrift für Personalforschung, S. 48-73.
Kotte, J. (2018): Der Einfluss der Anwendungsorientierung von Wissenschaftlern auf die Praxisrelevanz
der Forschung und die Wissenstransferaktivität mit der Praxis, Diss., Magdeburg.
Kossbiel, H./Spengler, T. (2015): Grundlagen der Personalplanung und Personalführung. In: Schweitzer,
M./Baumeister, A. (Hrsg.): Allgemeine Betriebswirtschaftslehre, Berlin, S. 417-463.
Kratzberg, F. C. F. (2009): Fuzzy-Szenario-Management - Verarbeitung von Unbestimmtheit im strategi-
schen Management, Göttingen.
Kreikebaum, H. (1991): Strategische Unternehmensplanung, 4. Aufl., Stuttgart [u.a.].
Krieg, A. (2013): Modellbasierte Untersuchung der Effizienz von Anreizsystemen, München und Mering.
Krimmphore, D./Klemm-Box, S. (1999): Der Einsatz von Fuzzy-Logik im Personalmanagement. In:
Schmeisser, W./Clermont, A. /Protz, A. (Hrsg.): Personalinformationssysteme und Personalcontrol-
ling, Neuwied [u.a.], S. 144-159.
Kube V. (1974): Das Unternehmen als kybernetisches System. In: Die Grenzplankostenrechnung. Be-
triebswirtschaftliche Forschung zur Unternehmensführung, 6, Wiesbaden, S. 163-167.
Laser, J. (2017): Flexible und stabile Laufbahnplanung. Transition-Management aus der Unternehmens-
und Ressourcenperspektive, Augsburg und München.
Lasi, H./Fettke, P./Kemper, H.-G./Feld, T./Hoffmann, M. (2014): Industry 4.0. In: Business & Information
Systems Engineering 6(4), S. 239-242.
Laux, H. (1971): Flexible Investitionsplanung, Opladen.
Laux, H. (1982): Entscheidungstheorie – Grundlagen, Berlin [u.a.].
Laux, H./Gillenkirch, R. M./Schenk-Mathes, H. Y. (2014): Entscheidungstheorie, 9. Aufl., Berlin.
Laux, H./Liermann, F. (2005): Grundlagen der Organisation – Die Steuerung von Entscheidungen als
Grundproblem der Betriebswirtschaftslehre, 6. Aufl., Berlin.
Leberling, H. (1983): Entscheidungsfindung bei divergierenden Faktorinteressen und relaxierten Kapa-
zitätsrestriktionen mittels eines unscharfen Lösungsansatzes. In: Zeitschrift für betriebswirtschaftli-
che Forschung, 35 (5), S. 398-419.
Lee, E. A. (2010): CPS foundations. In: Sapatnekar, S. (Hrsg.): Proceedings of the 47th Design Automation
Conference, New York [NY], S. 737-742.
Lindstädt, H. (2004): Entscheidungskalküle jenseits des subjektiven Erwartungsnutzens. In: Zeitschrift
für betriebswirtschaftliche Forschung, 56(3), S. 495-519.
Luxem, R. (2001): Digital Commerce: electronic commerce mit digitalen Produkten, Lohmar und Köln.
Lücke, W. (1989): Fristigkeit der Pläne. In: Szyperski, N. (Hrsg.): Handwörterbuch der Planung, Stuttgart,
Sp. 535-542.
Macharzina, K./Engelhard, J. (1987): Internationales Management. In: Die Betriebswirtschaft, 47(3), S.
319-344.
Mag, W. (1988): Was ist ökonomisches Denken? In: Die Betriebswirtschaft, 48(6), S.761-776.
Maibaum, G. (1980): Wahrscheinlichkeitsrechnung, 3. unv. Aufl. Thun u. Frankfurt a.M.
Marx, A. (1963): Die Personalplanung in der modernen Wettbewerbswirtschaft, Baden-Baden.
422 Literatur
Mayer, K. (2017): Nachhaltigkeit: 111 Fragen und Antworten – Nachschlagewerk zur Umsetzung von
CSR im Unternehmen, Wiesbaden.
Meiritz, W. (1984): Eignungsorientierte Personaleinsatzplanung, Frankfurt a.M. [u.a.].
Mensch, G. (1971): Zur Berücksichtigung mehrerer Zielfunktionen bei der Optimalen Personalanwei-
sung, In: Zeitschrift für betriebswirtschaftliche Forschung, 23, S. 200-207.
Metzger, O./Spengler, T. (2017): Subjektiver Erwartungsnutzen und intuitionistische Fuzzy Werte. In:
Spengler, T./Fichtner, W./Geiger, J. M./Rommelfanger, H./Metzger, O. (Hrsg.): Entscheidungsunter-
stützung in Theorie und Praxis, Berlin, S. 109–137.
Metzger, O./Spengler, T. (2019): Modeling rational decisions in ambiguous situations: a multi-valued
logic approach. In: Business Research (online), doi.org/10.1007/s40685-019-0087-5.
Metzger, O./Spengler, T./Volkmer, T. (2018): Valuation of Crisp and Intuitionistic Fuzzy Information. In:
Operations Research Proceedings 2017, Cham, S. 113-119.
Mithas, S./Tafti, A./Mitchell, W. (2013): How a Firm's Competitive Environment and Digital Strategic
Posture Influence Digital Business Strategy. In: Management Information Systems Quarterly, 37(2),
S. 511-536.
Momsen, B. (2006): Entscheidungsunterstützung im Wissensmanagement durch fuzzy regelbasierte Sys-
teme, Göttingen.
Momsen, B./Schroll, A. (2005): Verarbeitung von Merkmalen unterschiedlicher Skalenniveaus in (perso-
nalwirtschaftlichen) Entscheidungsmodellen. In: Kossbiel, H., Spengler, T. (Hrsg.): Modellgestützte
Personalentscheidungen 8, München und Mering, S. 199 - 136.
Motsch, A. (1995): Entscheidung bei partieller Information - Vergleich entscheidungstheoretischer Mo-
dellkonzeptionen, Wiesbaden.
Muche, G. (1989): Personalplanung bei gegebener Personalausstattung, Göttingen.
Müller-Hagedorn, L. (1974): Grundlagen der Personalbestandsplanung, Opladen.
Nahm, M./Söllinger, R. (2015): Die wirtschaftliche Bedeutung auslandskontrollierter Unternehmen in
Deutschland 2012. In: Statistisches Bundesamt (Hrsg.): Wirtschaft und Statistik, Wiesbaden, S. 754-
763.
Nanda, R./Browne, J. (1992): Introduction to Employee Scheduling, New York [NY].
Naundorf, J. (2016): Kritische Analyse von Employer Awards im Kontext des Employer Branding, Mün-
chen und Mering.
Negoita, C. V./Sularia, M. (1976): On Fuzzy Mathematical Programming and Tolerances in Planning. In:
Economic computation and economic cybernetics studies and research, 1, S. 3-15.
Neumann, K./Morlock, M. (1993): Operations Research, München und Wien.
Nylén, D./Holmström, J. (2015): Digital innovation strategy: A framework for diagnosing and improving
digital product and service innovation. In: Business Horizons, 58(1), S. 57-67.
Ohse, D. (1998). Mathematik für Wirtschaftswissenschaftler I-Analysis, 4. Aufl., München.
Opie, R. (1931): Marshall’s time analysis. In: The Economic Journal, 41(162), S. 199-215.
Peters, S./Spengler, T./Spiliopoulou, M. (2010): Wissensmanagement kleiner und mittelständischer Un-
ternehmen in Zeiten demographischen Wandels. In: Kathan, D./Letmathe, P./ Mark, K./ Schulte, R./
Literatur 423
Tchouvakhina, M. V./ Wallau, F. (Hrsg.): Wertschöpfungsmanagement im Mittelstand, Tagungs-

band des Forums der deutschen Mittelstandsforschung, Wiesbaden, S. 43-69.
Piegat, A. (2001): Fuzzy Modeling and Control, Heidelberg.
REFA-Verband für Arbeitsstudien und Betriebsorganisation e. V. (1991): Methodenlehre des Arbeitsstu-
diums, München.
Reichling, P./ Spengler, T./ Vogt, B. (2008): Flexible Planning in an Incomplete Market, In: Kalcsics, J./
Nickel, S. (Hrsg.): Operations Research Proceedings 2007, Berlin [u.a.], S. 231-235.
Reinhard, F./Soeder H. (1987): dtv-Atlas zur Mathematik, Bd 1: Grundlagen, Algebra und Geometrie, 7.
Aufl., München.
Rieper, B. (1992): Betriebswirtschaftliche Entscheidungsmodelle, Herne.
Rommelfanger, H. (1994): Fuzzy Decision Support-Systeme – Entscheiden bei Unschärfe, 2. Aufl., Berlin.
Rommelfanger, H./Eickemeier, S. H. (2002): Entscheidungstheorie - klassische Konzepte und Fuzzy-Er-
weiterungen, Berlin.
Rosenkranz, R. (1968): Personalbedarfsrechnung in Bürobetrieben. In: Das rationelle Büro, 12, S. 16-22.
Ruban, A. (2008): Simultane Personalplanung bei integrierter Auftragsfolgeplanung: Eine Durchführ-
barkeitsuntersuchung bei Anwendung von Entscheidungsbaum- und naturanalogen Verfahren,
München und Mering.
Saaty, Thomas L. (1980): The Analytic Hierarchy Process, New York [NY].
Saaty, Thomas L. (1990): How to make a decision: The Analytic Hirarchy Process. In: European Journal
of Operational Research 48(1), S. 9-26.
Salewski, F. (1998): Klassifikation von Dienstplanungsproblemen. In: Kossbiel, H. (Hrsg.): Modellge-
stützte Personalentscheidungen 2, München und Mering, S. 119-136.
Schmid, F. (1988): Skalierungsverfahren. In: Albers, W./Born, K.E./Dürr, E. (Hrsg.): Handwörterbuch der
Wirtschaftswissenschaft, Stuttgart [u.a.], S. 549-556.
Schneider, G. (1980): Karriereplanung als Aufgabe der Personalplanung, Wiesbaden.
Schoenfeld, H. M. W. (1970): Personalplanung. In: Fuchs, J./Schantag, K. (Hrsg.): AG-Plan-Handbuch zur
Unternehmensplanung, Ziff. 2305, Berlin, S. 3-71.
Schoenfeld, H. M. W. (1992): Personalkostenplanung. In: Gaugler, E./Weber, W. (Hrsg.): Handwörter-
buch des Personalwesens, 2. Aufl., Stuttgart, Sp. 1735-1746.
Scholz, C. (2000): Personalmanagement, 5. Aufl., München.
Schroll, A. (2005): Anwendung von Tabu Search und Simulated Annealing in der Dienstplanung. In:
Kossbiel, H./Spengler, T. (Hrsg.): Modellgestützte Personalentscheidungen 9, München und Mering,
S. 141-161.
Schroll, A. (2007): Bedarfs- und mitarbeitergerechte Dienstplanung mit Fuzzy-Control, Göttingen.
Schroll, A./Spengler, T. (2002): Fuzzy-Control in der Personaleinsatzplanung. In: Kossbiel, H./ Spengler,
T. (Hrsg.): Modellgestützte Personalentscheidungen 6., München und Mering, S. 121 -140.
Schroll, A./ Spengler, T. (2004): Dienstplanbewertung mit unscharfen Regeln. In: Ahr, D./ Fahrion, R./
Oswald, M./Reinelt, G. (Hrsg.): Operations Research Proceedings 2003, Heidelberg, S. 427 – 434.
Schümann, F./Tisson, H. (2006): Call-Center-Controlling - Ein Modell für die Planung, Kontrolle und
424 Literatur
Steuerung von Kundenservice-Centern, Wiesbaden.

Schulte, C. (1989): Personal-Controlling mit Kennzahlen, München.
Schweitzer, M. (2001): Planung und Steuerung. In: Bea, F. X./Dichtl, E./Schweitzer, M. (Hrsg.): Allge-
meine Betriebswirtschaftslehre, Bd. 2 – Führung. 8. Aufl., Stuttgart, S. 16-126.
Sixt, M. (1996): Dreidimensionale Packprobleme – Lösungsverfahren basierend auf den Meta-Heuristi-
ken Simulated Annealing und Tabu-Suche, Frankfurt a.M. [u.a.].
Spengler, T. (1992): Fuzzy-Entscheidungsmodelle für die Planung der Personalbereitstellung. In: Gaul,
W./Bachem, A./Habenicht, W./Runge, W./Stahl, W. W. (Hrsg.): Operations Research Proceedings
1991, Berlin [u.a.], S. 501-508.
Spengler, T. (1993): Lineare Entscheidungsmodelle zur Organisations- und Personalplanung, Heidel-
berg.
Spengler, T. (1993a): Fuzzy-Entscheidungsmodelle zur Organisationsplanung. In: Hansmann, K.-W. et
al. (Hrsg.): Operations Research Proceedings 1992, Berlin [u.a.], S. 306-313.
Spengler, T. (1994): Humankapitaltheoretische Fundierung von Personalplanungsmodellen bei termino-
logischer und relationaler Unschärfe. In: Dyckhoff H./Derigs U./Salomon M./Henk C. T. (Hrsg.):
Operations Research Proceedings 1993, Berlin [u.a.], S. 416-422.
Spengler, T. (1995): Mittel- und längerfristige Personalbeschaffungsplanung. In: Berthel, J./ Groenewald,
H. (Hrsg.): Personal-Management, 17. Nachlieferung, Landsberg /Lech, Kap. III. 2.3.
Spengler, T. (1996): Personalentwicklungsplanung in der Rezession. In: Zeitschrift für Betriebswirtschaft,
66(3), S. 283-304.
Spengler, T. (1998): Flexible Personalplanung mit additiven und nicht-additiven Wahrscheinlichkeiten.
In: Kossbiel, H. (Hrsg): Modellgestützte Personalentscheidungen 2, München und Mering, S. 147-
172.
Spengler, T. (1999): Grundlagen und Ansätze der strategischen Personalplanung mit vagen Informatio-
nen, München und Mering.
Spengler, T. (2004): Personaleinsatzplanung: In: Gaugler, E./ Weber, W./ Oechsler, W.A. (Hrsg.): Hand-
wörterbuch des Personalwesens, Stuttgart, S. 1469 - 1479.
Spengler T. (2005): Stimmige Entscheidung bei ungenauen Wahrscheinlichkeiten. In: Spengler T./Lind-
städt, H. (Hrsg.): Strukturelle Stimmigkeit in der Betriebswirtschaftslehre: Festschrift für Prof. Dr.
Hugo Kossbiel, München, S. 259-285.
Spengler, T. (2009): Simultane Personalplanungen. In: Scholz, C. (Hrsg.): Vahlens großes Personallexi-
kon, München, S. 1033-1034.
Spengler, T. (2011): Aktuelle Entwicklungen in der Personaleinsatzplanung. In: Stock-Homburg, R./
Wolff, B. (Hrsg.): Handbuch Strategisches Personalmanagement, Wiesbaden, S. 567-583.
Spengler T. (2012): Präzision im Strategischen (Personal-)Management: Genauigkeit durch Ungenauig-
keit. In: Stein, V./Müller, S. (Hrsg.): Aufbruch des Strategischen Personalmanagements in die Dyna-
misierung, Baden-Baden, S. 76-83.
Spengler, T. (2015): Ambiguitätssensitivität im Szenariomanagement. In: Schenk-Mathes, H. Y./ Köster,
C. (Hrsg.): Entscheidungstheorie und -praxis, Tagungsband des Workshops der GOR-Arbeitsgruppe
„Entscheidungstheorie und -praxis“, Berlin, S. 55 – 70.
Literatur 425
Spengler, T. (2017): Duales Studium in Zeiten des demographischen Wandels. In: Akademie, 4/2017, S.
118-120.
Spengler, T./Kühn, F./Lange, J. (2018): Jungen Menschen Chancen und Perspektiven bieten. In: Wissen-
schaft für die Praxis, Mitteilungen der Wissenschaftsförderung der Sparkassen-Finanzgruppe e. V.,
84, S. 18-21.
Spengler, T./Vieth, M. (1994): Konzipierung von Cafeteria-Systemen als neuere Form der Anreizgestal-
tung. In: Dyckhoff H./Derigs U./Salomon M./Henk C.T. (Hrsg.): Operations Research Proceedings
1993, Berlin [u.a.], S. 474-480.
Stahl, G. K. (1998): Internationaler Einsatz von Führungskräften, München.
Strutz, H. (1974): Langfristige Personalplanung auf der Grundlage von Investitionsmodellen, Diss.,
Hamburg.
Strutz, H. (1976): Langfristige Personalplanung auf der Grundlage von Investitionsmodellen, Wiesba-
den.
Sure, M. (2017): Internationales Management – Grundlagen, Strategien, Konzepte, Wiesbaden.
Thielen, C. (2018): Duty Rostering for Physicians at a Department of Orthopedics and Trauma Surgery,
Operations Research for Health Care, 19, S. 80-91.
Türk, K. (1978): Objektbereich und Problemfeld einer Personalwissenschaft. In: Zeitschrift für Ar-
beitswissenschaft, 32(4), 218-221.
Tylor, E. B. (1920): Primitive culture: Researches into the development of mythology, philosophy, reli-
gion, language, art and custom, 6. Aufl., London.
Ulrich, H./Staerkle, R. (1965): Personalplanung, Köln und Opladen.
Van Krieken, M. G. C./Fleuren, H. A./Peeters M. J. P. (2004): A lagrangian relaxation based algorithm for
solving set partitioning problems, Center for Economic Research, Discussion Paper, 44.
Vereinte Nationen: (1987): Report of the World Commission on Environment and Development: Our
Common Future.
Vieth, M. (1999): Personalplanung für Projekte, München, Mering.
Wald, A. (1949): Statistical decision functions. In: The Annals of Mathematical Statistics, 20(2), S. 165–
205.
Warnez, P. (1984): Entscheidung bei Unsicherheit unter Verwendung qualitativer Informationen, Diss.,
Zürich.
Wäscher, G. (1998): Local Search. In: Das Wirtschaftsstudium, 27, 1299-1306.
Weinmann, J. (1978): Strategische Personalplanung, Köln.
Werners, B. (1984): Interaktive Entscheidungsunterstützung durch ein flexibles mathematisches Pro-
grammierungssystem, München.
Whalen, T. (1994): Interval probabilities induced by decision problems. In: Yager, R. R./Feddrizzi, M./
Kacprzyk, J. (Hrsg): Advances in the Dempster-Shafer Theory of Evidence, New York [NY], S. 353-
374.
Wollenhaupt, H. (1982): Rationale Entscheidungen bei unscharfen Wahrscheinlichkeiten, Frankfurt a. M.
Zadeh, L. A. (1965): Fuzzy Sets. In: Information and Control, 8(3), S. 338-353.
426 Literatur
Zadeh, L. A. (1975): The Concept of a Linguistic Variable and its Application to Approximate Reasoning,
Part 1, In: Information Sciences, 8, S. 199-249.
Zahn, E. (1989): Mehrebenenansatz der Planung. In: Szyperski, N. (Hrsg.): Handwörterbuch der Pla-
nung, Stuttgart, Sp. 1080-1090.
Zelewski, S. (1999): Grundlagen. In: Corsten, H./Reiß, M. (Hrsg.): Betriebswirtschaftslehre, 3. Aufl., Mün-
chen, S. 1-125.
Zimmermann, H. J. (1976): Optimale Entscheidungen bei mehreren Zielkriterien. In: Zeitschrift für Or-
ganisation, 8, S. 455-460.
Zimmermann, H. J. (1978): Fuzzy Programming and Linear Programming with Several Objective Func-
tions. In: Fuzzy Sets and Systems, 1(1), S. 45-55.
Zimmermann H. J. (1988): Fuzzy Set Theory – and its Applications, 3. Aufl., Boston [MA].
Zimmermann, H. J. (2005): Operations Research – Methoden und Modelle. Für Wirtschaftsingenieure,
Betriebswirte und Informatiker, Wiesbaden.
Zoglauer, T. (2008). Einführung in die formale Logik für Philosophen., 4. Aufl., Göttingen.
Verzeichnis der Internetquellen

BMZ [online], Bundesministerium für wirtschaftliche Zusammenarbeit und Entwicklung
(https://www.bmz.de/de/ministerium/ziele/2030_agenda/historie/rio_plus20/index.html),
Zugriff: 02/2019.
Duden online (a), Stichwort: ökologisch
(https://www.duden.de/node/639629/revisions/1958525/view), Zugriff: 02/2019.
Duden online (b), Stichwort: sozial
Duden online (c), Stichwort: Demografie
(https://www.duden.de/node/735210/revisions/1726193/view ), Zugriff: 02/2019.
Duden online (d), Stichwort: digital
Duden online (e), Stichwort: Bit
DWDS (a), Stichwort: digital
(https://dwds.de/wb/digital), Zugriff: 02/2019.
DWDS (b), Stichwort: Kybernetik
(https://www.dwds.de/wb/Kybernetik), Zugriff: 02/2019.

Moderne Personalplanung

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Moderne Personalplanung

Hochgeladen von

Copyright:

Verfügbare Formate

Thomas Spengler

ISBN 978-3-658-25934-1 ISBN 978-3-658-25935-8 (eBook)

Wir wünschen Ihnen viel Spaß bei der Lektüre!

Magdeburg, im März 2019

Thomas Spengler Olga Metzger Tobias Volkmer

Teil 1 Einführung und Grundlagen ............................................................................................. 1

2 Grundlagen der Personalplanung ............................................................................... 19

Teil 2 Generelle Anwendungsfelder der Personalplanung .................................................. 35

4 Kurz-, mittel- und langfristige Personalplanungen .................................................. 39

5 Diagnose-, Prognose-, Dezisions- und Simulationsmodelle der

6 Ein- und Mehrzielmodelle der Personalplanung ...................................................... 47

7 Heuristische und optimierende Ansätze der Personalplanung .............................. 57

8 Starre und flexible Personalplanungsansätze ............................................................ 65

9 Strategische, taktische und operative Personalplanungen ....................................... 77

10 Deterministische, stochastische und unscharfe Ansätze der Personalplanung .... 91

11 Ermittlungsmodelle der Personalplanung ............................................................... 119

12 Isolierte, integrierte, sukzessive und simultane Entscheidungsmodelle der

12.3 Reine Personalbereitstellungsplanung ..................................................................... 159

Teil 3 Spezielle Anwendungsfelder der Personalplanung ................................................. 209

13 Nachhaltige Personalplanung .................................................................................... 211

14 Internationale Personalplanung ................................................................................ 223

15 Demografiesensitive Personalplanung ..................................................................... 239

15.3 Ein Modell zur demografiesensitiven Personalplanung ........................................ 243

16 Personalplanung in Zeiten der Digitalisierung ....................................................... 247

Teil 4 Lösungen zu den Übungsaufgaben .............................................................................. 259

17 Lösungen zu Übungsaufgaben aus Teil 1 ................................................................ 261

18 Lösungen zu Übungsaufgaben aus Teil 2 ................................................................ 287

Literatur ........................................................................................................................................ 417

Verzeichnis der Internetquellen .................................................................................................. 426

AHP Analytical Hierarchy Process

BMZ Bundesministerium für wirtschaftliche Zusammenarbeit und Entwicklung

CSR-RUG Corporate Social Responsibility-Richtlinie-Umsetzungsgesetz

DOF Degree Of Fulfillment

d. Verf. der/die Verfasser

DWDS Digitales Wörterbuch der Deutschen Sprache

i.e.S. im engeren Sinne

FLP Fuzzy Lineare Programmierung

FPP First Period Principle

FULPAL Fuzzy Linear Programming based on Aspiration Levels

LPI Lineare Partielle Information

MADM Multi Attribute Decision Making

MODM Multi Objective Decision Making

MOLPAL Multi Objective Linear Programming based on Aspiration Levels

MTM Methods-Time Measurement

NVZ Notwendige Verteilzeiten

REFA Organisation für Arbeitsgestaltung, Betriebsorganisation und Unternehmens-

SLP Stochastische Lineare Programmierung

TOPSIS Technique for Ordering Preferences by Similarity to Ideal Solution

TVZ Tatsächliche Verteilzeiten

1.1 Worum es geht oder: Zwei Beispiele zum

Entscheidungsmodell über die Bereitstellung des betrieblichen Personals rational zu ent-

Tabelle 1.1 Tableau der Bereitstellungs- und Verwendungsmöglichkeiten, Personal-

Art 1 Art 2 Art 3 Art 4 Art 5 Art 6 Art 7 𝑃𝐵

Tabelle 1.2 Personalbedarfe in einer 7-Tage-Woche

Eine betriebswirtschaftlich wichtige Frage in diesem Beispiel lautet: Wieviele Arbeitskräfte

1.2 Keine Angst vor Formalem und ein bisschen

1.2.1 Betriebswirtschaftliches Denken als Denken in

der abbildungs- bzw. ähnlichkeitsbezogene Modellbegriff, so einsichtig er auf den ersten

1.2.2 Messen, Modellieren und Entscheiden

Zur Verdeutlichung seien folgende Beispiele angeführt: Im Zuge von Personalbeurteilungen

ist somit nur die Gleichartigkeit (Fremdwort: Identität) bzw. Unterschiedlichkeit

Zu (c): Werden Merkmalsausprägungen auf Intervallskalenniveau gemessen, wie dies z.B.

1.2.3 Modelle der mathematischen Optimierung

Umweltbedingungen zu rechnen ist, wie hoch die Eintrittswahrscheinlichkeiten sind, welche